論文の概要: Towards Efficient 3D Object Detection for Vehicle-Infrastructure Collaboration via Risk-Intent Selection

• arxiv url: http://arxiv.org/abs/2601.03001v1
• Date: Tue, 06 Jan 2026 13:25:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.945303
• Title: Towards Efficient 3D Object Detection for Vehicle-Infrastructure Collaboration via Risk-Intent Selection
• Title（参考訳）: リスク・インテント選択による車両・インフラ協調のための効率的な3次元物体検出に向けて
• Authors: Li Wang, Boqi Li, Hang Chen, Xingjian Wu, Yichen Wang, Jiewen Tan, Xinyu Zhang, Huaping Liu,
• Abstract要約: リスクインテリジェント選択検出(RiSe)は、パラダイムを可視領域の識別からリスククリティカル領域の優先順位付けに移行する、インタラクション対応のフレームワークである。 RiSeは、高信頼度特徴を高相互作用領域からのみ伝達する意味選択的融合スキームを実装している。 本手法は,最先端検出精度を維持しつつ,通信量を全特徴共有の0.71%に削減する。
• 参考スコア（独自算出の注目度）: 23.186947629238233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicle-Infrastructure Collaborative Perception (VICP) is pivotal for resolving occlusion in autonomous driving, yet the trade-off between communication bandwidth and feature redundancy remains a critical bottleneck. While intermediate fusion mitigates data volume compared to raw sharing, existing frameworks typically rely on spatial compression or static confidence maps, which inefficiently transmit spatially redundant features from non-critical background regions. To address this, we propose Risk-intent Selective detection (RiSe), an interaction-aware framework that shifts the paradigm from identifying visible regions to prioritizing risk-critical ones. Specifically, we introduce a Potential Field-Trajectory Correlation Model (PTCM) grounded in potential field theory to quantitatively assess kinematic risks. Complementing this, an Intention-Driven Area Prediction Module (IDAPM) leverages ego-motion priors to proactively predict and filter key Bird's-Eye-View (BEV) areas essential for decision-making. By integrating these components, RiSe implements a semantic-selective fusion scheme that transmits high-fidelity features only from high-interaction regions, effectively acting as a feature denoiser. Extensive experiments on the DeepAccident dataset demonstrate that our method reduces communication volume to 0.71\% of full feature sharing while maintaining state-of-the-art detection accuracy, establishing a competitive Pareto frontier between bandwidth efficiency and perception performance.
• Abstract（参考訳）: 自動車とインフラの協調知覚(VICP)は、自動運転における閉塞を解消するために重要であるが、通信帯域幅と特徴冗長性のトレードオフは依然として重要なボトルネックである。 中間融合は生の共有に比べてデータ量を減らすが、既存のフレームワークは通常、非臨界背景領域から空間的に冗長な特徴を非効率に伝達する空間圧縮や静的信頼マップに依存している。 この問題を解決するために,リスク・インテリジェント選択検出(RiSe)を提案する。このフレームワークは,パラダイムを可視領域の識別からリスククリティカル領域の優先順位付けへとシフトさせる。 具体的には、ポテンシャル場理論に基づくポテンシャル場-軌道相関モデル(PTCM)を導入し、運動学的リスクを定量的に評価する。 これに補完するため、IDAPM(Intention-Driven Area Prediction Module)は、エゴモーションの先行情報を利用して、意思決定に不可欠なキーBird's-Eye-View(BEV)領域を積極的に予測し、フィルタリングする。 これらのコンポーネントを統合することで、RiSeは高信頼度特徴を高相互作用領域からのみ伝達する意味選択的融合スキームを実装し、事実上特徴デノイザとして機能する。 DeepAccidentデータセットの大規模な実験により,本手法は通信容量を0.71倍に削減し,最先端検出精度を維持し,帯域効率と知覚性能の競合するParetoフロンティアを確立した。

関連論文リスト

• Pedestrian Crossing Intention Prediction Using Multimodal Fusion Network [3.878105750489656]
  歩行者の横断意図予測は、都市環境における自動運転車(AV)の展開に不可欠である。 本稿では,視覚と運動の両方から7つのモダリティ特徴を生かしたマルチモーダル融合ネットワークを提案する。 JAADデータセットの実験では,提案したネットワークの有効性が検証され,ベースライン法よりも優れた性能が得られた。
  論文  参考訳（メタデータ） (2025-11-25T07:18:12Z)
• MCOP: Multi-UAV Collaborative Occupancy Prediction [40.58729551462363]
  Current Bird's Eye View (BEV)ベースのアプローチには2つの大きな制限がある。 本稿では,複数UAV共同占有予測フレームワークを提案する。 提案手法は最先端の精度を達成し,既存の協調手法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-10-14T16:17:42Z)
• BEVUDA++: Geometric-aware Unsupervised Domain Adaptation for Multi-View 3D Object Detection [56.477525075806966]
  視覚中心のBird's Eye View (BEV) の認識は、自律運転にかなりの可能性を秘めている。 近年の研究では、効率性や精度の向上が優先されているが、ドメインシフトの問題は見過ごされている。 本稿では,この問題を解消するために,革新的な幾何学的学習支援フレームワークであるBEVUDA++を紹介する。
  論文  参考訳（メタデータ） (2025-09-17T16:31:40Z)
• Edge-Based Multimodal Sensor Data Fusion with Vision Language Models (VLMs) for Real-time Autonomous Vehicle Accident Avoidance [12.513296074529727]
  本稿では,自律走行のためのリアルタイムエッジベース自律走行軌道プランナ(REACT)を提案する。 REACTは、微調整軽量ビジョンランゲージモデル(VLM)に基づくADのためのV2X統合軌道最適化フレームワークである。 DeepAccidentベンチマークで評価されたREACTは、最先端の性能、77%の衝突率の低減、48.2%のビデオパノプティクス品質(VPQ)、およびJetson AGX Orinでの0.57秒の推論遅延を実現している。
  論文  参考訳（メタデータ） (2025-08-01T20:16:04Z)
• Backscatter Device-aided Integrated Sensing and Communication: A Pareto Optimization Framework [59.30060797118097]
  統合センシング・通信(ISAC)システムは、密集した都市非視線シナリオにおいて大きな性能劣化に遭遇する可能性がある。 本稿では,自然環境に分散した受動的BDを利用した後方散乱近似(BD)支援ISACシステムを提案する。
  論文  参考訳（メタデータ） (2025-07-12T17:11:06Z)
• Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
  我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。 周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。 我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T08:53:26Z)
• Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
  Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。 近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。 本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
  論文  参考訳（メタデータ） (2023-12-18T09:52:14Z)
• Attention Based Feature Fusion For Multi-Agent Collaborative Perception [4.120288148198388]
  グラフアテンションネットワーク(GAT)の形での中間的協調認識ソリューションを提案する。 提案手法は,複数の連結エージェント間で交換される中間表現を融合するアテンションベースのアグリゲーション戦略を開発する。 このアプローチは、チャネルレベルと空間レベルの中間特徴写像における重要な領域を適応的に強調することにより、オブジェクト検出精度が向上する。
  論文  参考訳（メタデータ） (2023-05-03T12:06:11Z)
• Ret3D: Rethinking Object Relations for Efficient 3D Object Detection in Driving Scenes [82.4186966781934]
  Ret3Dと呼ばれるシンプルで効率的で効果的な2段階検出器を導入する。 Ret3Dの中核は、新しいフレーム内およびフレーム間関係モジュールの利用である。 無視できる余分なオーバーヘッドにより、Ret3Dは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-08-18T03:48:58Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Bandwidth-Adaptive Feature Sharing for Cooperative LIDAR Object Detection [2.064612766965483]
  コネクテッド・自動運転車(CAV)領域で必要となる状況認識。 協調機構は、高速無線車載ネットワークを利用して状況認識を改善するソリューションを提供する。 本稿では,通信チャネル容量に適応する柔軟性を付加する機構と,新たな分散共有データアライメント手法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T00:12:58Z)

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。