論文の概要: Saliency-Guided Domain Adaptation for Left-Hand Driving in Autonomous Steering

• arxiv url: http://arxiv.org/abs/2511.01223v1
• Date: Mon, 03 Nov 2025 04:46:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.121487
• Title: Saliency-Guided Domain Adaptation for Left-Hand Driving in Autonomous Steering
• Title（参考訳）: 自律型ステアリングにおける左手駆動のためのサリエンシ誘導型ドメイン適応
• Authors: Zahra Mehraban, Sebastien Glaser, Michael Milford, Ronald Schroeter,
• Abstract要約: 自動走行モデルには、様々な道路条件にまたがる一般化のためにドメイン適応が必要である。 本稿では,左利き運転条件に対するエンド・ツー・エンドのディープラーニングモデルであるPilotNetを適用するためのドメイン適応学習手法について検討する。
• 参考スコア（独自算出の注目度）: 15.288767162519603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain adaptation is required for automated driving models to generalize well across diverse road conditions. This paper explores a training method for domain adaptation to adapt PilotNet, an end-to-end deep learning-based model, for left-hand driving conditions using real-world Australian highway data. Four training methods were evaluated: (1) a baseline model trained on U.S. right-hand driving data, (2) a model trained on flipped U.S. data, (3) a model pretrained on U.S. data and then fine-tuned on Australian highways, and (4) a model pretrained on flipped U.S. data and then finetuned on Australian highways. This setup examines whether incorporating flipped data enhances the model adaptation by providing an initial left-hand driving alignment. The paper compares model performance regarding steering prediction accuracy and attention, using saliency-based analysis to measure attention shifts across significant road regions. Results show that pretraining on flipped data alone worsens prediction stability due to misaligned feature representations, but significantly improves adaptation when followed by fine-tuning, leading to lower prediction error and stronger focus on left-side cues. To validate this approach across different architectures, the same experiments were done on ResNet, which confirmed similar adaptation trends. These findings emphasize the importance of preprocessing techniques, such as flipped-data pretraining, followed by fine-tuning to improve model adaptation with minimal retraining requirements.
• Abstract（参考訳）: 自動走行モデルには、様々な道路条件にまたがる一般化のためにドメイン適応が必要である。 本稿では,実世界のオーストラリア高速道路データを用いた左利き運転条件に対するエンド・ツー・エンドのディープラーニングモデルであるPilotNetを適用するためのドメイン適応学習手法について検討する。 1)米国の右利き運転データに基づいて訓練されたベースラインモデル、(2)米国データで訓練されたモデル、(3)米国データで事前訓練されたモデル、そしてオーストラリア高速道路で微調整されたモデル、(4)米国データで事前訓練されたモデル、そしてオーストラリア高速道路で微調整されたモデル、の4つの訓練方法が評価された。 この設定は、初期左利き駆動アライメントを提供することで、フリップデータの導入によりモデル適応が向上するかどうかを調べる。 本論文は, ステアリング予測精度とアテンションに関するモデル性能を比較し, 有意な道路領域におけるアテンションシフトを測定するために, サリエンシに基づく分析を用いた。 その結果,フリップしたデータのみによる事前学習は,特徴表現の不一致による予測安定性を悪化させるが,微調整による適応性が著しく向上し,予測誤差が低下し,左側に焦点が当てられることが示唆された。 このアプローチを異なるアーキテクチャにまたがって検証するため、同じ実験がResNet上で行われ、同様の適応傾向が確認された。 これらの知見は、フリップデータ事前学習などの前処理技術の重要性を強調し、その後、最小限の再訓練条件でモデル適応を改善するための微調整を行った。

関連論文リスト

• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Guiding Attention in End-to-End Driving Models [49.762868784033785]
  模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。 トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。 従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
  論文  参考訳（メタデータ） (2024-04-30T23:18:51Z)
• Towards Seamless Adaptation of Pre-trained Models for Visual Place Recognition [72.35438297011176]
  視覚的位置認識のための事前学習モデル(VPR)のシームレスな適応を実現する新しい手法を提案する。 具体的には、地域を識別するための有意義なランドマークに焦点を当てたグローバルな特徴とローカルな特徴の両方を得るために、ハイブリッド適応法を設計する。 実験結果から,本手法はトレーニングデータやトレーニング時間が少なく,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-02-22T12:55:01Z)
• Online Test-Time Adaptation of Spatial-Temporal Traffic Flow Forecasting [13.770733370640565]
  本稿では,時空間交通流予測問題に対するオンラインテスト時間適応手法の最初の研究を行う。 本稿では,直列分解法(ADCSD)による適応二重補正法を提案する。 提案手法では,テストフェーズ中にトレーニングされたモデル全体を微調整する代わりに,トレーニングされたモデルの後,ライトネットワークをアタッチし,データ入力が観測されるたびに,ライトネットワークのみをテストプロセスで微調整する。
  論文  参考訳（メタデータ） (2024-01-08T12:04:39Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Predicting highway lane-changing maneuvers: A benchmark analysis of machine and ensemble learning algorithms [0.0]
  異なる機械学習とアンサンブル学習の分類手法をルールベースモデルと比較する。 速度の遅い車線から速い車線まで) と折りたたみ式の2種類の車線変更操作を予測した。 もしルールベースのモデルが、特に折りたたみの場合の予測精度に制限を与えているなら、モデリングバイアスを欠いたデータベースのアルゴリズムは、大幅な予測改善を可能にします。
  論文  参考訳（メタデータ） (2022-04-20T22:55:59Z)
• The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory Prediction Model based on Neural Networks and Distributed Representations [0.0]
  車両軌道予測におけるトレーニングデータの構成について検討する。 本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T20:00:11Z)
• Data Driven Prediction Architecture for Autonomous Driving and its Application on Apollo Platform [1.1142354615369274]
  我々は,高度に自動化された学習ベース予測モデルパイプラインを導入し,異なる予測学習サブモジュールのデータアノテーション,特徴抽出,モデルトレーニング/チューニング,デプロイメントをサポートする。 このパイプラインは人間の介入なしに完全に自動化され、国によって異なるシナリオで大規模にデプロイされた場合、パラメータチューニングの効率が最大400%向上する。
  論文  参考訳（メタデータ） (2020-06-11T18:16:12Z)

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。