論文の概要: LiDAR-Based Vehicle Detection and Tracking for Autonomous Racing

• arxiv url: http://arxiv.org/abs/2501.14502v1
• Date: Fri, 24 Jan 2025 14:01:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:56:06.365732
• Title: LiDAR-Based Vehicle Detection and Tracking for Autonomous Racing
• Title（参考訳）: 自律走行のためのLiDARによる車両検出・追跡
• Authors: Marcello Cellina, Matteo Corno, Sergio Matteo Savaresi,
• Abstract要約: 本稿では,Team PoliMOVEの自律レースカーに搭載されたLiDARに基づく知覚アルゴリズムについて述べる。 実験の結果,アルゴリズムの性能,ロバスト性,計算効率,自律レースアプリケーションに適していることが示された。
• 参考スコア（独自算出の注目度）: 0.8356765961526956
• License:
• Abstract: Autonomous racing provides a controlled environment for testing the software and hardware of autonomous vehicles operating at their performance limits. Competitive interactions between multiple autonomous racecars however introduce challenging and potentially dangerous scenarios. Accurate and consistent vehicle detection and tracking is crucial for overtaking maneuvers, and low-latency sensor processing is essential to respond quickly to hazardous situations. This paper presents the LiDAR-based perception algorithms deployed on Team PoliMOVE's autonomous racecar, which won multiple competitions in the Indy Autonomous Challenge series. Our Vehicle Detection and Tracking pipeline is composed of a novel fast Point Cloud Segmentation technique and a specific Vehicle Pose Estimation methodology, together with a variable-step Multi-Target Tracking algorithm. Experimental results demonstrate the algorithm's performance, robustness, computational efficiency, and suitability for autonomous racing applications, enabling fully autonomous overtaking maneuvers at velocities exceeding 275 km/h.
• Abstract（参考訳）: 自律走行は、その性能限界で動作している自動運転車のソフトウェアとハードウェアをテストするための制御された環境を提供する。 しかし、複数の自律レースカー間の競合的な相互作用は、困難で潜在的に危険なシナリオをもたらす。 精密かつ一貫した車両検出と追跡は、操作を遂行するために不可欠であり、危険状況に迅速に対応するためには、低遅延センサー処理が不可欠である。 本稿では,Team PoliMOVEの自律レースカーに搭載されたLiDARに基づく知覚アルゴリズムについて述べる。 我々の車両検出・追跡パイプラインは、新しい高速クラウドセグメンテーション技術と、可変ステップマルチターゲット追跡アルゴリズムとともに、特定の車両ポス推定手法によって構成されている。 実験の結果、アルゴリズムの性能、頑健性、計算効率、自律レースアプリケーションへの適合性を実証し、275 km/hを超える速度での完全自律的なオーバーテイク操作を可能にした。

関連論文リスト

• FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
  本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。 我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。 結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
  論文  参考訳（メタデータ） (2023-04-19T17:33:47Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• Indy Autonomous Challenge -- Autonomous Race Cars at the Handling Limits [81.22616193933021]
  TUM Auton-omous Motorsportsは2021年10月、インディ・オートマチック・チャレンジに参加する。 インディアナポリス・モーター・スピードウェイのダララAV-21レースカー10台のうち1台を走らせることで、自動運転のソフトウェアスタックをベンチマークする。 これは、最も困難で稀な状況をマスターできる自律走行アルゴリズムを開発するための理想的な試験場である。
  論文  参考訳（メタデータ） (2022-02-08T11:55:05Z)
• Real-Time Optimal Trajectory Planning for Autonomous Vehicles and Lap Time Simulation Using Machine Learning [0.0]
  本稿では,デスクトップ処理ハードウェア上でリアルタイムにレースラインの正確な予測を生成するための機械学習アプローチについて述べる。 ネットワークは、平均絶対誤差 +/-0.27m でレースラインを予測することができる。
  論文  参考訳（メタデータ） (2021-02-03T22:34:22Z)
• A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge [49.976633450740145]
  本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。 我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
  論文  参考訳（メタデータ） (2020-10-23T18:07:48Z)
• Towards Autonomous Driving: a Multi-Modal 360$^{\circ}$ Perception Proposal [87.11988786121447]
  本稿では,自動運転車の3次元物体検出と追跡のためのフレームワークを提案する。 このソリューションは、新しいセンサ融合構成に基づいて、正確で信頼性の高い道路環境検出を提供する。 自動運転車に搭載されたシステムの様々なテストは、提案された知覚スタックの適合性を評価することに成功している。
  論文  参考訳（メタデータ） (2020-08-21T20:36:21Z)
• BayesRace: Learning to race autonomously using prior experience [20.64931380046805]
  本稿では,自律走行のためのモデルベース計画制御フレームワークを提案する。 本手法は,車載センサ計測から学習することで,シミュレーションベースコントローラ設計によるギャップを軽減する。
  論文  参考訳（メタデータ） (2020-05-10T19:15:06Z)
• SDVTracker: Real-Time Multi-Sensor Association and Tracking for Self-Driving Vehicles [11.317136648551537]
  本稿では,関連性や状態推定に深層学習モデルを用いた,実用的で軽量なトラッキングシステムSDVTrackerを提案する。 本システムは,実世界の都市運転データセットにおいて,アクター100のシーンにおいて,CPU上で2.5ms未満で実行しながら,手作業による手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2020-03-09T23:07:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。