論文の概要: Lightweight Temporal Transformer Decomposition for Federated Autonomous Driving

• arxiv url: http://arxiv.org/abs/2506.23523v1
• Date: Mon, 30 Jun 2025 05:14:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.927447
• Title: Lightweight Temporal Transformer Decomposition for Federated Autonomous Driving
• Title（参考訳）: フェデレーション自律運転のための軽量時間変圧器分解
• Authors: Tuong Do, Binh X. Nguyen, Quang D. Tran, Erman Tjiputra, Te-Chuan Chiu, Anh Nguyen,
• Abstract要約: 本稿では,大規模な注意図を小さな行列に分割することで,時系列画像フレームと時間的ステアリングデータを処理する手法を提案する。 このアプローチはモデルの複雑さを減らし、収束とリアルタイム予測の効率的な重み更新を可能にする。 3つのデータセットの実験により,本手法はリアルタイム性能を達成しつつ,明らかなマージンで近年の手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 11.79541267274746
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional vision-based autonomous driving systems often face difficulties in navigating complex environments when relying solely on single-image inputs. To overcome this limitation, incorporating temporal data such as past image frames or steering sequences, has proven effective in enhancing robustness and adaptability in challenging scenarios. While previous high-performance methods exist, they often rely on resource-intensive fusion networks, making them impractical for training and unsuitable for federated learning. To address these challenges, we propose lightweight temporal transformer decomposition, a method that processes sequential image frames and temporal steering data by breaking down large attention maps into smaller matrices. This approach reduces model complexity, enabling efficient weight updates for convergence and real-time predictions while leveraging temporal information to enhance autonomous driving performance. Intensive experiments on three datasets demonstrate that our method outperforms recent approaches by a clear margin while achieving real-time performance. Additionally, real robot experiments further confirm the effectiveness of our method.
• Abstract（参考訳）: 従来の視覚に基づく自律運転システムは、シングルイメージ入力のみに依存する場合、複雑な環境をナビゲートする上で困難に直面することが多い。 この制限を克服するために、過去の画像フレームやステアリングシーケンスなどの時間データを組み込むことは、困難なシナリオにおいて堅牢性と適応性を高めるのに有効であることが証明された。 従来の高性能な手法は存在するが、しばしば資源集約型核融合ネットワークに依存しており、訓練には実用的ではなく、連合学習には適さない。 これらの課題に対処するために,大規模な注意マップを小さな行列に分割することで,逐次的な画像フレームと時間的ステアリングデータを処理する軽量な時間変換器分解法を提案する。 このアプローチは、時間的情報を活用して自律運転性能を向上させるとともに、収束とリアルタイム予測の効率的な重み更新を可能にする。 3つのデータセットに対する集中的な実験により、我々の手法は、リアルタイムのパフォーマンスを達成しながら、明らかなマージンで最近の手法よりも優れていることを示した。 さらに,実際のロボット実験により,本手法の有効性がさらに確認された。

関連論文リスト

• InstaRevive: One-Step Image Enhancement via Dynamic Score Matching [66.97989469865828]
  InstaReviveは、強力な生成能力を活用するためにスコアベースの拡散蒸留を利用する画像強調フレームワークである。 私たちのフレームワークは、さまざまな課題やデータセットにまたがって、高品質で視覚的に魅力的な結果を提供します。
  論文  参考訳（メタデータ） (2025-04-22T01:19:53Z)
• DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
  DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。 タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。 シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-07T11:41:18Z)
• Transtreaming: Adaptive Delay-aware Transformer for Real-time Streaming Perception [18.403242474776764]
  本研究は,動的計算遅延を伴うリアルタイム物体検出の課題に対処する,革新的なリアルタイムストリーミング認識手法であるTranstreamingを提案する。 提案モデルは,単一フレーム検出シナリオにおいても,既存の最先端手法よりも優れている。 Transtreamingは、あらゆる種類のデバイスにおける厳格なリアルタイム処理要件を満たす。
  論文  参考訳（メタデータ） (2024-09-10T15:26:38Z)
• Event-Aided Time-to-Collision Estimation for Autonomous Driving [28.13397992839372]
  ニューロモルフィックなイベントベースカメラを用いて衝突時刻を推定する新しい手法を提案する。 提案アルゴリズムは, 事象データに適合する幾何モデルに対して, 効率的かつ高精度な2段階のアプローチで構成する。 合成データと実データの両方の実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-10T02:37:36Z)
• Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations [53.797896854533384]
  クラスに依存しない動き予測法は点雲全体の動きを直接予測する。 既存のほとんどのメソッドは、完全に教師付き学習に依存しているが、ポイントクラウドデータの手作業によるラベル付けは、手間と時間を要する。 3つの簡単な空間的・時間的正則化損失を導入し,自己指導型学習プロセスの効率化を図る。
  論文  参考訳（メタデータ） (2024-03-20T02:58:45Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• LUNAR: Cellular Automata for Drifting Data Streams [19.98517714325424]
  セルオートマトンを合理化したLUNARを提案する。 ドリフト条件に適応しながら、本当の漸進的な学習者として振る舞うことができる。
  論文  参考訳（メタデータ） (2020-02-06T09:10:43Z)

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。