Fugu-MT 論文翻訳(概要): FPGA-based Lane Detection System incorporating Temperature and Light Control Units

論文の概要: FPGA-based Lane Detection System incorporating Temperature and Light Control Units

arxiv url: http://arxiv.org/abs/2510.24778v1
Date: Sat, 25 Oct 2025 14:17:38 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-30 18:06:01.972093
Title: FPGA-based Lane Detection System incorporating Temperature and Light Control Units
Title（参考訳）: 温度・光制御ユニットを用いたFPGAによる車線検出システム
Authors: Ibrahim Qamar, Saber Mahmoud, Seif Megahed, Mohamed Khaled, Saleh Hesham, Ahmed Matar, Saif Gebril, Mervat Mahmoud,
Abstract要約: 本稿では,エッジ検出にSobelアルゴリズムを利用するFPGAベースのLane Detector Vehicle LDVアーキテクチャを提案する。 416 x 416イメージと150MHzで動作するシステムは、1.17ミリ秒毎に有効な出力を生成することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Intelligent vehicles are one of the most important outcomes gained from the world tendency toward automation. Applications of IVs, whether in urban roads or robot tracks, do prioritize lane path detection. This paper proposes an FPGA-based Lane Detector Vehicle LDV architecture that relies on the Sobel algorithm for edge detection. Operating on 416 x 416 images and 150 MHz, the system can generate a valid output every 1.17 ms. The valid output consists of the number of present lanes, the current lane index, as well as its right and left boundaries. Additionally, the automated light and temperature control units in the proposed system enhance its adaptability to the surrounding environmental conditions.
Abstract（参考訳）: インテリジェントな自動車は、自動化に対する世界的傾向から得られる最も重要な成果の1つだ。都市道路でもロボット軌道でも、IVの応用は車線経路検出を優先する。本稿では,エッジ検出にSobelアルゴリズムを利用するFPGAベースのLane Detector Vehicle LDVアーキテクチャを提案する。システムは416 x 416の画像と150MHzで動作し、1.17ミリ秒毎に有効な出力を生成することができる。さらに, 本システムにおける自動光・温度制御ユニットは, 周辺環境への適応性を高める。

関連論文リスト

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)
An Edge AI System Based on FPGA Platform for Railway Fault Detection [6.046776557357542]
本研究では、FPGA(Field Programmable Gate Array)に基づく鉄道検査システムを提案する。このエッジAIシステムは、カメラを介してトラック画像を収集し、畳み込みニューラルネットワーク(CNN)を使用して、トラック欠陥のリアルタイム検出を行う。このシステムのイノベーションは、その高度な自動化と検出効率にある。
論文参考訳（メタデータ） (2024-08-08T22:44:30Z)
DriveGPT4: Interpretable End-to-end Autonomous Driving via Large Language Model [84.29836263441136]
本研究は,マルチモーダル大言語モデル(MLLM)に基づく新しい解釈可能なエンドツーエンド自動運転システムであるDriveGPT4を紹介する。 DriveGPT4は、車両動作の解釈を促進し、関連する推論を提供し、ユーザによるさまざまな質問に効果的に対処する。
論文参考訳（メタデータ） (2023-10-02T17:59:52Z)
Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。実世界のデータセットの実験では、大幅な改善が示されている。
論文参考訳（メタデータ） (2023-09-21T15:00:31Z)
TAU: A Framework for Video-Based Traffic Analytics Leveraging Artificial Intelligence and Unmanned Aerial Systems [2.748428882236308]
自動トラフィック分析と理解のためのAI統合ビデオ分析フレームワークTAU(Traffic Analysis from UAVs)を開発した。トラヒックビデオ解析における従来の研究とは違って,ビデオ処理から高解像度UAV画像を用いた高度なトラヒック理解へ向けた自動物体検出・追跡パイプラインを提案する。
論文参考訳（メタデータ） (2023-03-01T09:03:44Z)
Efficient Perception, Planning, and Control Algorithm for Vision-Based Automated Vehicles [0.0]
本研究は、視覚に基づく自動車両の運転のための効率的な枠組みを提案する。このフレームワークは単眼カメラとレーダーのみを必要とする。実験により、提案された自律運転システムは、現在の自動運転車に適用可能であることが示された。
論文参考訳（メタデータ） (2022-09-15T04:51:17Z)
Vehicle-counting with Automatic Region-of-Interest and Driving-Trajectory detection [0.0]
この研究は、カメラの関心領域を自動的に識別する交通ビデオから車両をカウントする方法を導入している。この方法は、発展途上国で頻繁に使用されるPan-Tilt-Zoomカメラでの使用が可能である。
論文参考訳（メタデータ） (2021-08-16T15:13:06Z)
End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文参考訳（メタデータ） (2021-04-28T07:54:40Z)
Holistic Grid Fusion Based Stop Line Estimation [5.5476621209686225]
交差点で前もって停止する場所を知ることは、車両の長手速度を制御する上で必須のパラメータである。文献における既存の手法のほとんどは、カメラのみを使用して停止線を検出するが、通常は検出範囲の点で不十分である。本稿では,ステレオカメラやライダーなどの融合多感データを入力として活用し,ニューラルネットワークアーキテクチャを慎重に設計し,停止線を検出する手法を提案する。
論文参考訳（メタデータ） (2020-09-18T21:29:06Z)
Accurate Alignment Inspection System for Low-resolution Automotive and Mobility LiDAR [125.41260574344933]
車両やロボットなどの移動システムにおいて,センサ装着後のLiDARアライメント誤差を正確に推定する検査システムを提案する。提案手法は, 固定位置における1つのターゲットボードのみを用いて, 水平方向(回転, 傾き, ヨー)とLiDARアタッチメントの水平位置を, 水平方向の精度で推定する。
論文参考訳（メタデータ） (2020-08-24T17:47:59Z)

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。