論文の概要: Semantic and Feature Guided Uncertainty Quantification of Visual Localization for Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2506.15851v1
• Date: Wed, 18 Jun 2025 20:00:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:04.838495
• Title: Semantic and Feature Guided Uncertainty Quantification of Visual Localization for Autonomous Vehicles
• Title（参考訳）: 自律走行車における視覚的位置決めの不確実性定量化に関する意味的・特徴的指針
• Authors: Qiyuan Wu, Mark Campbell,
• Abstract要約: 本稿では、自律運転における視覚的位置決めの文脈における不確実な定量化手法を開発する。 我々のアプローチの鍵となるのは、画像の特徴と意味情報を2次元誤差分布にマッピングする軽量センサエラーモデルを用いて測定の不確かさを学習することである。 Ihaca365データセットを用いた不確実性予測フレームワークの精度を示す。
• 参考スコア（独自算出の注目度）: 2.4171019220503402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The uncertainty quantification of sensor measurements coupled with deep learning networks is crucial for many robotics systems, especially for safety-critical applications such as self-driving cars. This paper develops an uncertainty quantification approach in the context of visual localization for autonomous driving, where locations are selected based on images. Key to our approach is to learn the measurement uncertainty using light-weight sensor error model, which maps both image feature and semantic information to 2-dimensional error distribution. Our approach enables uncertainty estimation conditioned on the specific context of the matched image pair, implicitly capturing other critical, unannotated factors (e.g., city vs highway, dynamic vs static scenes, winter vs summer) in a latent manner. We demonstrate the accuracy of our uncertainty prediction framework using the Ithaca365 dataset, which includes variations in lighting and weather (sunny, night, snowy). Both the uncertainty quantification of the sensor+network is evaluated, along with Bayesian localization filters using unique sensor gating method. Results show that the measurement error does not follow a Gaussian distribution with poor weather and lighting conditions, and is better predicted by our Gaussian Mixture model.
• Abstract（参考訳）: ディープラーニングネットワークと組み合わせたセンサ計測の不確実性定量化は、多くのロボティクスシステム、特に自動運転車のような安全クリティカルなアプリケーションにとって重要である。 本稿では、画像に基づいて位置が選択される自律運転における視覚的位置決めの文脈において、不確実な定量化手法を開発する。 我々のアプローチの鍵となるのは、画像の特徴と意味情報を2次元誤差分布にマッピングする軽量センサエラーモデルを用いて測定の不確かさを学習することである。 提案手法は,一致した画像対の特定の文脈で条件付き不確実性推定を可能にし,他の重要かつ無意味な要因(例えば,都市対高速道路,動的対静的シーン,冬対夏季)を潜在的に捉える。 イタカ365データセットを用いた不確実性予測フレームワークの精度を示す。 センサ+ネットワークの不確かさの定量化と、独自のセンサゲーティング法を用いたベイズ局在化フィルタの評価を行った。 その結果,観測誤差は天候や照明条件の悪いガウス分布に従わないことが明らかとなり,ガウス混合モデルにより予測された。

関連論文リスト

• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Multi-Camera Sensor Fusion for Visual Odometry using Deep Uncertainty Estimation [34.8860186009308]
  複数の車載カメラからの姿勢推定と不確実性推定の両方を用いて車両の動きを推定する深層センサ融合フレームワークを提案する。 我々は、利用可能な大規模自動運転車データセットnuScenesに対する我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2021-12-23T19:44:45Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Prediction Surface Uncertainty Quantification in Object Detection Models for Autonomous Driving [5.784950275336468]
  自律走行車における物体検出は、一般的にカメラ画像とライダー入力に基づいており、予測モデルを訓練するためにしばしば使用される。 このような回帰モデルの予測不確実性を測定するために,PURE (Prediction sURface uncErtainty) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-07-11T08:31:15Z)
• 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)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• Uncertainty Intervals for Graph-based Spatio-Temporal Traffic Prediction [0.0]
  本研究では,従来の時間ステップの測定値から密度を推定するよう訓練された時空間ニューラルネットワークを提案する。 この密度推定法はニューラルネットワークによって完全にパラメータ化され, 内部では近似値を用いない。 このアプローチは、モンテカルロドロップアウトのような推論中にサンプリングする必要なしに不確実性推定を生成する。
  論文  参考訳（メタデータ） (2020-12-09T18:02:26Z)
• Camera-Lidar Integration: Probabilistic sensor fusion for semantic mapping [8.18198392834469]
  自動走行車は、常に変化する環境の中を移動しながら、3次元の世界における物体/障害物を知覚し、認識できなければならない。 本稿では,センサリーダ(カメラ,ライダー,IMU,ホイールエンコーダ)の不確実性,車両の動作の補償,セマンティックイメージのラベル確率を組み込んだ確率パイプラインを提案する。
  論文  参考訳（メタデータ） (2020-07-09T07:59:39Z)

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。