Fugu-MT 論文翻訳(概要): E2E Parking Dataset: An Open Benchmark for End-to-End Autonomous Parking

論文の概要: E2E Parking Dataset: An Open Benchmark for End-to-End Autonomous Parking

arxiv url: http://arxiv.org/abs/2504.10812v1
Date: Tue, 15 Apr 2025 02:21:09 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-24 05:34:53.311874
Title: E2E Parking Dataset: An Open Benchmark for End-to-End Autonomous Parking
Title（参考訳）: E2Eパーキングデータセット: エンドツーエンドの自律駐車のためのオープンベンチマーク
Authors: Kejia Gao, Liguo Zhou, Mingjun Liu, Alois Knoll,
Abstract要約: エンドツーエンドの自律駐車のための高品質なデータセットを作成し、オープンソース化します。元のモデルを用いて、平均位置と向きの誤差が低い85.16%の総合的な成功率を達成する。
参考スコア（独自算出の注目度）: 4.858678769953548
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: End-to-end learning has shown great potential in autonomous parking, yet the lack of publicly available datasets limits reproducibility and benchmarking. While prior work introduced a visual-based parking model and a pipeline for data generation, training, and close-loop test, the dataset itself was not released. To bridge this gap, we create and open-source a high-quality dataset for end-to-end autonomous parking. Using the original model, we achieve an overall success rate of 85.16% with lower average position and orientation errors (0.24 meters and 0.34 degrees).
Abstract（参考訳）: エンドツーエンドの学習は、自律駐車に大きな可能性を示しているが、公開データセットの欠如により再現性とベンチマークが制限されている。以前の作業では、ビジュアルベースのパーキングモデルと、データ生成、トレーニング、クローズループテストのためのパイプラインが導入されていたが、データセット自体はリリースされなかった。このギャップを埋めるために、エンドツーエンドの自律駐車のための高品質なデータセットを作成し、オープンソース化します。元のモデルを用いて、平均位置と向きの誤差(0.24メートル、0.34度)が低い85.16%の総合的な成功率を達成する。

関連論文リスト

Data Scaling Laws for End-to-End Autonomous Driving [83.85463296830743]
16時間から8192時間に及ぶ内部駆動データセット上での簡易エンド・ツー・エンド駆動アーキテクチャの性能評価を行った。具体的には、目標の性能向上を達成するために、どの程度のトレーニングデータが必要かを調査する。
論文参考訳（メタデータ） (2025-04-06T03:23:48Z)
End-to-End Driving with Online Trajectory Evaluation via BEV World Model [52.10633338584164]
本稿では,BEV Worldモデルを活用し,将来のBEV状態を予測するためのエンドツーエンド駆動フレームワークWoTEを提案する。我々は,NAVSIMベンチマークとCARLAシミュレータに基づく閉ループBench2Driveベンチマークを用いて,最先端性能を実現する。
論文参考訳（メタデータ） (2025-04-02T17:47:23Z)
Active Learning from Scene Embeddings for End-to-End Autonomous Driving [30.667451458189902]
エンドツーエンドのディープラーニングモデルのトレーニングには、大量のラベル付きデータが必要です。本稿では,SEADと呼ばれるベクトル化シーンレベルの特徴に依存する能動的学習フレームワークを提案する。実験によると、完全なデータセットで達成できることに近いパフォーマンスを達成するには、nuScenesトレーニングデータの30%しか必要ありません。
論文参考訳（メタデータ） (2025-03-14T03:56:22Z)
TransParking: A Dual-Decoder Transformer Framework with Soft Localization for End-to-End Automatic Parking [2.209921757303168]
本稿では,専門的軌跡を用いて訓練したエンドツーエンド自動駐車のための視覚ベーストランスフォーマーモデルを提案する。実験結果から, モデルの誤差は50%程度減少していることがわかった。
論文参考訳（メタデータ） (2025-03-08T05:41:24Z)
Enhancing End-to-End Autonomous Driving with Latent World Model [78.22157677787239]
本稿では,LAW(Latent World Model)を用いたエンドツーエンド運転のための自己教師型学習手法を提案する。 LAWは、現在の特徴とエゴ軌道に基づいて将来のシーン機能を予測する。この自己監督タスクは、知覚のない、知覚に基づくフレームワークにシームレスに統合することができる。
論文参考訳（メタデータ） (2024-06-12T17:59:21Z)
Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? [84.17711168595311]
エンドツーエンドの自動運転は、フルスタックの観点から自律性を目標とする、有望な研究の方向性として浮上している。比較的単純な駆動シナリオを特徴とするnuScenesデータセットは、エンド・ツー・エンド・モデルにおける知覚情報の未使用化につながる。予測軌跡が道路に付着するかどうかを評価するための新しい指標を提案する。
論文参考訳（メタデータ） (2023-12-05T11:32:31Z)
PPD: A New Valet Parking Pedestrian Fisheye Dataset for Autonomous Driving [18.71208933251644]
駐車歩行者のデータセットは、魚眼カメラで捕獲されたいくつかの特徴的なタイプの歩行者で構成されている。歩行者検出ベースラインをPDDデータセット上に提示し、ベースラインを改善するために2つのデータ拡張手法を導入する。
論文参考訳（メタデータ） (2023-09-20T01:55:19Z)
Image-Based Parking Space Occupancy Classification: Dataset and Baseline [0.0]
画像に基づく駐車スペース占有分類のための新しいデータセット: ACPDSを提案する。以前のデータセットとは異なり、各イメージはユニークなビューから取り出され、体系的に注釈付けされ、列車内の駐車場、検証、テストセットはユニークである。このデータセットを用いて、駐車スペース占有率分類のための単純なベースラインモデルを提案し、未確認駐車場における98%の精度を実現する。
論文参考訳（メタデータ） (2021-07-26T13:23:21Z)
One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文参考訳（メタデータ） (2021-06-21T12:28:08Z)
PSDet: Efficient and Universal Parking Slot Detection [14.085693334348827]
リアルタイム駐車スロット検出は、バレット駐車システムにおいて重要な役割を担っている。既存の手法は、現実世界のアプリケーションでしか成功しない。不満足なパフォーマンスを考慮に入れている2つの理由を論じる。 romannumeral1: 利用可能なデータセットは多様性が限られており、一般化能力が低い。
論文参考訳（メタデータ） (2020-05-12T03:06:25Z)
Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。