論文の概要: An Expert Ensemble for Detecting Anomalous Scenes, Interactions, and Behaviors in Autonomous Driving
- arxiv url: http://arxiv.org/abs/2502.16389v1
- Date: Sun, 23 Feb 2025 00:43:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-25 15:59:04.808418
- Title: An Expert Ensemble for Detecting Anomalous Scenes, Interactions, and Behaviors in Autonomous Driving
- Title(参考訳): 自動運転における異常シーン, インタラクション, 行動検出の専門家アンサンブル
- Authors: Tianchen Ji, Neeloy Chakraborty, Andre Schreiber, Katherine Driggs-Campbell,
- Abstract要約: ほぼ無限の運転シナリオにおける安全性は、完全自動運転の普及に対する主要な懸念の1つとなっている。
エゴセントリックビデオにおけるオンロード異常検出は、複雑でインタラクティブなシナリオによってもたらされる困難のため、依然として難しい問題である。
本稿では,不規則なシーンと予期せぬシーン動作を検出するためのフレームレベルの外観に焦点を当てたシーンエキスパートと,2つの道路参加者間の正常な相対的な動きをモデル化し,異常なインタラクションが出現するたびにアラームを発生させるインタラクションエキスパートと,将来の軌道予測によって個々の物体の異常行動を監視する行動専門家の3つを提案する。
- 参考スコア(独自算出の注目度): 5.424441980205082
- License:
- Abstract: As automated vehicles enter public roads, safety in a near-infinite number of driving scenarios becomes one of the major concerns for the widespread adoption of fully autonomous driving. The ability to detect anomalous situations outside of the operational design domain is a key component in self-driving cars, enabling us to mitigate the impact of abnormal ego behaviors and to realize trustworthy driving systems. On-road anomaly detection in egocentric videos remains a challenging problem due to the difficulties introduced by complex and interactive scenarios. We conduct a holistic analysis of common on-road anomaly patterns, from which we propose three unsupervised anomaly detection experts: a scene expert that focuses on frame-level appearances to detect abnormal scenes and unexpected scene motions; an interaction expert that models normal relative motions between two road participants and raises alarms whenever anomalous interactions emerge; and a behavior expert which monitors abnormal behaviors of individual objects by future trajectory prediction. To combine the strengths of all the modules, we propose an expert ensemble (Xen) using a Kalman filter, in which the final anomaly score is absorbed as one of the states and the observations are generated by the experts. Our experiments employ a novel evaluation protocol for realistic model performance, demonstrate superior anomaly detection performance than previous methods, and show that our framework has potential in classifying anomaly types using unsupervised learning on a large-scale on-road anomaly dataset.
- Abstract(参考訳): 自動運転車が公道に入ると、ほぼ無限の運転シナリオにおける安全性が、完全自動運転の普及に対する主要な懸念の1つとなる。
運転設計領域外の異常な状況を検出する能力は、自動運転車において重要な要素であり、異常なエゴ行動の影響を緩和し、信頼できる運転システムを実現することができる。
エゴセントリックビデオにおけるオンロード異常検出は、複雑でインタラクティブなシナリオによってもたらされる困難のため、依然として難しい問題である。
本研究は,道路上の一般的な異常パターンを網羅的に分析し,不規則なシーンや予期せぬシーンの動きを検知するためのフレームレベルの外観に焦点を当てたシーンエキスパート,2人の道路参加者間の正常な相対的な動きをモデル化し,異常なインタラクションが出現するたびにアラームを発生させるインタラクションエキスパート,そして将来の軌道予測によって個々の物体の異常行動を監視する行動専門家の3つを提案する。
すべてのモジュールの強度を組み合わせるために、カルマンフィルタを用いてエキスパートアンサンブル(Xen)を提案し、最終的な異常スコアを状態の1つとして吸収し、専門家によって観測結果が生成される。
実験では,従来の手法よりも優れた異常検出性能を示し,大規模道路異常データセット上で教師なし学習を用いて異常型を分類する可能性を示した。
関連論文リスト
- GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。
本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。
提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文 参考訳(メタデータ) (2024-07-17T09:27:41Z) - Open-Vocabulary Video Anomaly Detection [57.552523669351636]
監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。
近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。
本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
論文 参考訳(メタデータ) (2023-11-13T02:54:17Z) - Exploring the Potential of World Models for Anomaly Detection in
Autonomous Driving [11.091582432763738]
自律運転の領域において、世界モデルをどのように活用して異常検出を行うかを示す。
我々は,世界モデルのキャラクタリゼーションを提供し,個々のコンポーネントを異常検出における以前の研究と関連付ける。
論文 参考訳(メタデータ) (2023-08-10T17:04:51Z) - ReasonNet: End-to-End Driving with Temporal and Global Reasoning [31.319673950804972]
ReasonNetは、運転シーンの時間的情報と世界的情報の両方を広範囲に活用する、新しいエンドツーエンド駆動フレームワークである。
本手法は,異なるフレームにおける特徴間の相互作用や関係を効果的に処理できる。
シーンのグローバルな情報に関する推論は、全体の知覚性能を向上させることもできる。
論文 参考訳(メタデータ) (2023-05-17T18:24:43Z) - Learning Representation for Anomaly Detection of Vehicle Trajectories [15.20257956793474]
周囲の車両の将来の軌跡をその歴史に基づいて予測することは、自動運転における重要な課題である。
小型の摂動は、エゴの将来の軌道予測モジュールを著しく誤解させる可能性がある。
本稿では,車両軌道のオンライン異常検出のための,効率的かつ効率的な表現を学習するための2つの新しい手法を提案する。
論文 参考訳(メタデータ) (2023-03-09T02:48:59Z) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳(メタデータ) (2022-09-20T15:18:13Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - Anomaly Detection in Multi-Agent Trajectories for Automated Driving [2.5211566369910967]
人間と同様、自動走行車は異常検出を行う。
私たちの革新は、動的エージェントの複数の軌道を共同で学習する能力です。
論文 参考訳(メタデータ) (2021-10-15T08:07:31Z) - Multi-Agent Variational Occlusion Inference Using People as Sensors [28.831182328958477]
エージェントの振る舞いから占有度を推定することは本質的にマルチモーダル問題である。
そこで本研究では,人間のエージェントの観察行動をセンサ測定として特徴付けるオクルージョン推論手法を提案する。
我々のアプローチは、実世界のデータセットで検証され、ベースラインを上回り、リアルタイムに有能なパフォーマンスを示す。
論文 参考訳(メタデータ) (2021-09-05T21:56:54Z) - Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
ビデオにおける異常検出は、コンピュータビジョンの問題である。
本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
論文 参考訳(メタデータ) (2020-11-15T10:21:28Z) - Studying Person-Specific Pointing and Gaze Behavior for Multimodal
Referencing of Outside Objects from a Moving Vehicle [58.720142291102135]
物体選択と参照のための自動車応用において、手指しと目視が広く研究されている。
既存の車外参照手法は静的な状況に重点を置いているが、移動車両の状況は極めて動的であり、安全性に制約がある。
本研究では,外部オブジェクトを参照するタスクにおいて,各モダリティの具体的特徴とそれら間の相互作用について検討する。
論文 参考訳(メタデータ) (2020-09-23T14:56:19Z)
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。