論文の概要: Enhanced Drift-Aware Computer Vision Architecture for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2508.17975v1
• Date: Mon, 25 Aug 2025 12:43:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.779782
• Title: Enhanced Drift-Aware Computer Vision Architecture for Autonomous Driving
• Title（参考訳）: 自律運転のための拡張ドリフト対応コンピュータビジョンアーキテクチャ
• Authors: Md Shahi Amran Hossain, Abu Shad Ahammed, Sayeri Mukherjee, Roman Obermaisser,
• Abstract要約: 本研究では,道路環境から数千もの合成画像データを用いて学習し,未知の漂流環境におけるロバスト性を向上させるハイブリッドコンピュータビジョンアーキテクチャを提案する。 このシステムは,ドリフト拡大道路画像を用いた場合,連続して機能し,検出精度を90%以上向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of computer vision in automotive is a trending research in which safety and security are a primary concern. In particular, for autonomous driving, preventing road accidents requires highly accurate object detection under diverse conditions. To address this issue, recently the International Organization for Standardization (ISO) released the 8800 norm, providing structured frameworks for managing associated AI relevant risks. However, challenging scenarios such as adverse weather or low lighting often introduce data drift, leading to degraded model performance and potential safety violations. In this work, we present a novel hybrid computer vision architecture trained with thousands of synthetic image data from the road environment to improve robustness in unseen drifted environments. Our dual mode framework utilized YOLO version 8 for swift detection and incorporated a five-layer CNN for verification. The system functioned in sequence and improved the detection accuracy by more than 90\% when tested with drift-augmented road images. The focus was to demonstrate how such a hybrid model can provide better road safety when working together in a hybrid structure.
• Abstract（参考訳）: 自動車におけるコンピュータビジョンの利用は、安全とセキュリティが主な関心事である最近の研究である。 特に自動運転では、道路事故の防止には、多様な条件下での高精度な物体検出が必要である。 この問題に対処するため、ISO(International Organization for Standardization)は先頃、関連するAI関連リスクを管理するための構造化フレームワークである8800標準をリリースした。 しかし、悪天候や低照度といった挑戦的なシナリオは、しばしばデータドリフトを導入し、モデルの性能が劣化し、潜在的な安全違反を引き起こす。 本研究では,道路環境から数千もの合成画像データを用いて学習し,未知の漂流環境におけるロバスト性を向上させるハイブリッドコンピュータビジョンアーキテクチャを提案する。 我々のデュアルモードフレームワークは, YOLOバージョン8を高速検出に利用し, 検証に5層CNNを組み込んだ。 このシステムは,ドリフト付加道路画像を用いた場合,連続して機能し,検出精度を90%以上向上した。 このようなハイブリッドモデルは、ハイブリッド構造での共同作業において、より優れた道路安全を提供することができるかを実証することを目的としていた。

関連論文リスト

• Application of YOLOv8 in monocular downward multiple Car Target detection [0.0]
  本稿では,YOLOv8に基づく自律目標検出ネットワークの改良について述べる。 提案手法は,マルチスケール,小型,遠隔オブジェクトの高精度かつ高精度な検出を実現する。 実験結果から,大小の物体を65%の精度で効果的に検出できることが示唆された。
  論文  参考訳（メタデータ） (2025-05-15T06:58:45Z)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• RainSD: Rain Style Diversification Module for Image Synthesis Enhancement using Feature-Level Style Distribution [5.500457283114346]
  本稿では,実際の道路データセットBDD100Kから発生するセンサブロックを用いた道路合成データセットを提案する。 このデータセットを用いて、自律運転のための多様なマルチタスクネットワークの劣化を評価し、分析した。 深層ニューラルネットワークを用いた自動運転車の認識システムの性能劣化傾向を深く分析した。
  論文  参考訳（メタデータ） (2023-12-31T11:30:42Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Runtime Stealthy Perception Attacks against DNN-based Adaptive Cruise Control Systems [8.561553195784017]
  本稿では,実行時認識攻撃下での深層ニューラルネットワークを用いたACCシステムのセキュリティ評価を行う。 攻撃を誘発する最も重要な時間を選択するための文脈認識戦略を提案する。 提案攻撃の有効性を,実車,公用運転データセット,現実的なシミュレーションプラットフォームを用いて評価した。
  論文  参考訳（メタデータ） (2023-07-18T03:12:03Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
  本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。 我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
  論文  参考訳（メタデータ） (2022-03-04T16:14:33Z)
• Vision-Cloud Data Fusion for ADAS: A Lane Change Prediction Case Study [38.65843674620544]
  我々は,カメラ画像とDigital Twin情報をクラウドから統合して,インテリジェントな車両のより良い意思決定を支援する,新しいビジョンクラウドデータ融合手法を導入する。 提案手法の有効性を示すために,車線変化予測のケーススタディを行った。
  論文  参考訳（メタデータ） (2021-12-07T23:42:21Z)

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。