論文の概要: Perception Characteristics Distance: Measuring Stability and Robustness of Perception System in Dynamic Conditions under a Certain Decision Rule

• arxiv url: http://arxiv.org/abs/2506.09217v1
• Date: Tue, 10 Jun 2025 20:22:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.066829
• Title: Perception Characteristics Distance: Measuring Stability and Robustness of Perception System in Dynamic Conditions under a Certain Decision Rule
• Title（参考訳）: 知覚特性距離:一定の決定規則の下での動的条件下での知覚システムの安定性とロバスト性の測定
• Authors: Boyu Jiang, Liang Shi, Zhengzhi Lin, Loren Stowe, Feng Guo,
• Abstract要約: 物体を確実に検出できる最遠距離を定量化する新しい評価指標である知覚距離特性(PCD)を導入する。 センサ付き車両を用いてバージニアスマートロードで収集したSensorRainFallデータセットについて述べる。
• 参考スコア（独自算出の注目度）: 5.513141175056931
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The performance of perception systems in autonomous driving systems (ADS) is strongly influenced by object distance, scene dynamics, and environmental conditions such as weather. AI-based perception outputs are inherently stochastic, with variability driven by these external factors, while traditional evaluation metrics remain static and event-independent, failing to capture fluctuations in confidence over time. In this work, we introduce the Perception Characteristics Distance (PCD) -- a novel evaluation metric that quantifies the farthest distance at which an object can be reliably detected, incorporating uncertainty in model outputs. To support this, we present the SensorRainFall dataset, collected on the Virginia Smart Road using a sensor-equipped vehicle (cameras, radar, LiDAR) under controlled daylight-clear and daylight-rain scenarios, with precise ground-truth distances to the target objects. Statistical analysis reveals the presence of change points in the variance of detection confidence score with distance. By averaging the PCD values across a range of detection quality thresholds and probabilistic thresholds, we compute the mean PCD (mPCD), which captures the overall perception characteristics of a system with respect to detection distance. Applying state-of-the-art perception models shows that mPCD captures meaningful reliability differences under varying weather conditions -- differences that static metrics overlook. PCD provides a principled, distribution-aware measure of perception performance, supporting safer and more robust ADS operation, while the SensorRainFall dataset offers a valuable benchmark for evaluation. The SensorRainFall dataset is publicly available at https://www.kaggle.com/datasets/datadrivenwheels/sensorrainfall, and the evaluation code is open-sourced at https://github.com/datadrivenwheels/PCD_Python.
• Abstract（参考訳）: 自律運転システム(ADS)における知覚システムの性能は、物体距離、シーンダイナミクス、気象などの環境条件に強く影響される。 AIベースの知覚出力は本質的に確率的であり、これらの外部要因によって変動が引き起こされる一方、従来の評価指標は静的でイベント非依存であり、時間の経過とともに信頼性の変動を捉えることができない。 本研究では,物体を確実に検出できる最遠距離を定量的に評価する新しい評価指標である知覚特性距離(PCD)を導入し,モデル出力に不確かさを取り入れた。 これを支援するために,センサ付き車両(カメラ,レーダ,LiDAR)を用いてバージニアスマートロードで収集したSensorRainFallデータセットを,目標物体への正確な接地距離で,昼光クリアと日光ラインの制御シナリオ下で提示する。 統計的解析により,検出信頼度スコアの差分における変化点の存在が明らかになった。 検出品質閾値と確率しきい値の範囲でPCD値を平均化することにより、検出距離に対するシステム全体の知覚特性を捉える平均PCD(mPCD)を算出する。 最先端の知覚モデルを適用することで、mPCDは様々な気象条件下で有意義な信頼性の違いを捉えている。 PCDは認識性能を原則として、より安全で堅牢なADS操作をサポートし、SensorRainFallデータセットは評価のための貴重なベンチマークを提供する。 SensorRainFallデータセットはhttps://www.kaggle.com/datasets/datadrivenwheels/sensorrainfallで公開されており、評価コードはhttps://github.com/datadrivenwheels/PCD_Pythonでオープンソース化されている。

関連論文リスト

• Experimental Evaluation of Road-Crossing Decisions by Autonomous Wheelchairs against Environmental Factors [42.90509901417468]
  追跡性能の微調整と屋外環境要因に対する実験的評価に焦点をあてる。 本手法は,屋外環境要因に対する映像追跡とイベント検出の堅牢性を評価するために適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-27T08:43:26Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Environment-independent mmWave Fall Detection with Interacting Multiple Model [1.9358739203360094]
  mmWave radarは、プライバシー保護と非接触性のための有望な候補技術である。 FADEは現実のシナリオにおいて精度と堅牢性を高めた実用的な落下検知レーダーシステムである。
  論文  参考訳（メタデータ） (2023-11-15T07:49:46Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• A Quality Index Metric and Method for Online Self-Assessment of Autonomous Vehicles Sensory Perception [164.93739293097605]
  本稿では,検出品質指標(DQI)と呼ばれる新しい評価指標を提案し,カメラを用いた物体検出アルゴリズムの性能を評価する。 我々は,提案したDQI評価指標を予測するために,原画像画素とスーパーピクセルを入力として利用するスーパーピクセルベースのアテンションネットワーク(SPA-NET)を開発した。
  論文  参考訳（メタデータ） (2022-03-04T22:16:50Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• On the Role of Sensor Fusion for Object Detection in Future Vehicular Networks [25.838878314196375]
  異なるセンサの組み合わせが車両の移動・運転環境の検出にどのように影響するかを評価します。 最終的な目標は、チャネルに分散するデータの量を最小限に抑える最適な設定を特定することです。
  論文  参考訳（メタデータ） (2021-04-23T18:58:37Z)
• SSTN: Self-Supervised Domain Adaptation Thermal Object Detection for Autonomous Driving [6.810856082577402]
  コントラスト学習により可視スペクトル領域と赤外スペクトル領域の情報を最大化するための機能埋め込みを学習するためのディープニューラルネットワークSelf Supervised Thermal Network (SSTN)を提案する。 提案手法は、FLIR-ADASデータセットとKAISTマルチスペクトラルデータセットの2つの公開データセットで広く評価されている。
  論文  参考訳（メタデータ） (2021-03-04T16:42:49Z)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)

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。