Fugu-MT 論文翻訳(概要): Road Grip Uncertainty Estimation Through Surface State Segmentation

論文の概要: Road Grip Uncertainty Estimation Through Surface State Segmentation

arxiv url: http://arxiv.org/abs/2504.08452v1
Date: Fri, 11 Apr 2025 11:28:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-14 14:18:45.725286
Title: Road Grip Uncertainty Estimation Through Surface State Segmentation
Title（参考訳）: 表面状態セグメンテーションによる路面グリップ不確かさ推定
Authors: Jyri Maanpää, Julius Pesonen, Iaroslav Melekhov, Heikki Hyyti, Juha Hyyppä,
Abstract要約: 滑りやすい道路条件は、自動運転に重大な課題をもたらす。我々は、グリップ不確実性推定の有効性を評価するために、いくつかの不確実性予測手法をベンチマークする。そこで我々は,グリップの不確実性を予測するために,道路面の状態セグメンテーションを利用する新しい手法を提案する。
参考スコア（独自算出の注目度）: 1.9179219841549817
License:
Abstract: Slippery road conditions pose significant challenges for autonomous driving. Beyond predicting road grip, it is crucial to estimate its uncertainty reliably to ensure safe vehicle control. In this work, we benchmark several uncertainty prediction methods to assess their effectiveness for grip uncertainty estimation. Additionally, we propose a novel approach that leverages road surface state segmentation to predict grip uncertainty. Our method estimates a pixel-wise grip probability distribution based on inferred road surface conditions. Experimental results indicate that the proposed approach enhances the robustness of grip uncertainty prediction.
Abstract（参考訳）: 滑りやすい道路条件は、自動運転に重大な課題をもたらす。道路の握力の予測以外にも、安全な車両制御を確保するため、確実な不確実性を推定することが不可欠である。本研究では,グリップ不確実性推定の有効性を評価するために,いくつかの不確実性予測手法をベンチマークする。また,グリップの不確実性を予測するために,道路面の状態セグメンテーションを利用する新しい手法を提案する。提案手法は,推定路面条件に基づいて,画素単位のグリップ確率分布を推定する。実験結果から,提案手法はグリップの不確実性予測の堅牢性を高めることが示唆された。

関連論文リスト

Stochasticity in Motion: An Information-Theoretic Approach to Trajectory Prediction [9.365269316773219]
本稿では、軌道予測における不確実性モデリングの課題を全体論的アプローチで解決する。情報理論を基礎とした本手法は,不確実性を測定する理論的に原理化された方法を提供する。従来の作業とは異なり、我々のアプローチは最先端のモーション予測器と互換性があり、より広い適用性を実現している。
論文参考訳（メタデータ） (2024-10-02T15:02:32Z)
One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
論文参考訳（メタデータ） (2023-12-16T14:59:11Z)
EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road Autonomy [34.19779754333234]
本研究では,不確実性を考慮したトラクションモデルを学習し,リスクを考慮したトラジェクトリを計画するための統一的なフレームワークを提案する。ネットワーク出力を用いてディリクレ分布をパラメータ化し、新しい不確実性を考慮した2乗地球モーバー距離損失を提案する。我々のアプローチはシミュレーションや車輪付き四足歩行ロボットで広範囲に検証されている。
論文参考訳（メタデータ） (2023-11-10T18:49:53Z)
Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
論文参考訳（メタデータ） (2023-05-26T04:27:48Z)
Failure Detection for Motion Prediction of Autonomous Driving: An Uncertainty Perspective [12.17821905210185]
運動予測は安全で効率的な自動運転に不可欠である。複雑な人工知能モデルの説明不可能性と不確実性は予測不可能な失敗につながる可能性がある。不確実性の観点からの動作予測のための故障検出の枠組みを提案する。
論文参考訳（メタデータ） (2023-01-11T12:01:08Z)
Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文参考訳（メタデータ） (2022-05-04T04:23:38Z)
Estimating Uncertainty For Vehicle Motion Prediction on Yandex Shifts Dataset [0.0]
この研究は、分布シフトに頑健で、予測の不確実性を測定することのできるモデルの開発に焦点を当てている。この作業では、ベンチマークを著しく改善し、リーダーボードで2位になったアプローチを提示します。
論文参考訳（メタデータ） (2021-12-15T18:58:55Z)
Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文参考訳（メタデータ） (2021-05-28T09:23:05Z)
The Aleatoric Uncertainty Estimation Using a Separate Formulation with Virtual Residuals [51.71066839337174]
既存の手法では、ターゲット推定における誤差を定量化できるが、過小評価する傾向がある。本稿では,信号とその不確かさを推定するための新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。
論文参考訳（メタデータ） (2020-11-03T12:11:27Z)
Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文参考訳（メタデータ） (2020-06-26T11:07:32Z)

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。