論文の概要: Energy-Aware Imitation Learning for Steering Prediction Using Events and Frames

• arxiv url: http://arxiv.org/abs/2603.28008v1
• Date: Mon, 30 Mar 2026 03:58:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.222656
• Title: Energy-Aware Imitation Learning for Steering Prediction Using Events and Frames
• Title（参考訳）: イベントとフレームを用いたステアリング予測のためのエネルギーを考慮した模倣学習
• Authors: Hu Cao, Jiong Liu, Xingzhuo Yan, Rui Song, Yan Xia, Walter Zimmer, Guang Chen, Alois Knoll,
• Abstract要約: 自動運転では、フレームベースのカメラのみに依存すると不正確になる可能性がある。 イベントカメラとして知られるバイオインスパイアされた視覚センサを導入する。 ステアリング予測のためのエネルギーを考慮した模倣学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 39.06716892671148
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In autonomous driving, relying solely on frame-based cameras can lead to inaccuracies caused by factors like long exposure times, high-speed motion, and challenging lighting conditions. To address these issues, we introduce a bio-inspired vision sensor known as the event camera. Unlike conventional cameras, event cameras capture sparse, asynchronous events that provide a complementary modality to mitigate these challenges. In this work, we propose an energy-aware imitation learning framework for steering prediction that leverages both events and frames. Specifically, we design an Energy-driven Cross-modality Fusion Module (ECFM) and an energy-aware decoder to produce reliable and safe predictions. Extensive experiments on two public real-world datasets, DDD20 and DRFuser, demonstrate that our method outperforms existing state-of-the-art (SOTA) approaches. The codes and trained models will be released upon acceptance.
• Abstract（参考訳）: 自動運転では、フレームベースのカメラにのみ依存すると、長時間露光時間、高速モーション、そして困難な照明条件などの要因が原因で、不正確になる可能性がある。 これらの問題に対処するために,イベントカメラと呼ばれるバイオインスパイアされた視覚センサを導入する。 従来のカメラとは異なり、イベントカメラはスパースで非同期なイベントをキャプチャし、これらの課題を軽減するための補完的なモダリティを提供する。 そこで本研究では,イベントとフレームの両方を活用可能な,エネルギ対応の模倣学習フレームワークを提案する。 具体的には,エネルギー駆動型クロスモダリティ・フュージョン・モジュール (ECFM) とエネルギー対応デコーダを設計し,信頼性・安全性の高い予測を行う。 DDD20とDRFuserの2つの公開実世界のデータセットに対する大規模な実験は、我々の手法が既存のSOTA(State-of-the-art)アプローチより優れていることを実証している。 コードとトレーニングされたモデルは、受け入れ次第リリースされる。

関連論文リスト

• Learning to Remove Lens Flare in Event Camera [56.9171469873838]
  イベントカメラデータからレンズフレアを除去する最初のフレームワークであるE-DeflareDeflareを提案する。 まず、非線形抑制機構の物理基底フォワードモデルを導出した理論基盤を確立する。 このベンチマークを利用して、最先端の復元性能を実現するE-DeflareNetを設計する。
  論文  参考訳（メタデータ） (2025-12-09T18:59:57Z)
• DriveGazen: Event-Based Driving Status Recognition using Conventional Camera [0.4662017507844857]
  運転者の視線観測から運転状況を特定するために、照明条件の変化に頑健な新しいリアルタイム手法とともに、ウェアラブル運転状況認識装置とオープンソースデータセットを導入している。 提案手法のコアは,従来の強度フレームからイベントフレームを生成することであり,もう1つは,新たに設計された注意運転状態ネットワーク(ADSN)である。 我々の知る限りでは、従来のカメラから生成されたガイドアテンションスパイクニューラルネットワークとアイベースのイベントフレームを利用してステータス認識を行うのが初である。
  論文  参考訳（メタデータ） (2024-12-16T13:12:11Z)
• EventAid: Benchmarking Event-aided Image/Video Enhancement Algorithms with Real-captured Hybrid Dataset [55.12137324648253]
  イベントカメラは、ダイナミックレンジとセンサーの速度で従来のフレームベースの撮像センサーよりも有利な、新興のイメージング技術である。 本稿では,5つのイベント支援画像と映像強調タスクに焦点を当てる。
  論文  参考訳（メタデータ） (2023-12-13T15:42:04Z)
• Deep Learning for Event-based Vision: A Comprehensive Survey and Benchmarks [55.81577205593956]
  イベントカメラはバイオインスパイアされたセンサーで、ピクセルごとの強度の変化を非同期に捉える。 深層学習(DL)はこの新興分野に導入され、その可能性のマイニングに活発な研究努力にインスピレーションを与えている。
  論文  参考訳（メタデータ） (2023-02-17T14:19:28Z)
• Event-based Visual Tracking in Dynamic Environments [0.0]
  イベントカメラとオフザシェルフ深層学習の両方を活用するためのフレームワークを提案する。 イベントデータを強度フレームに再構成することで、従来のカメラが許容できない状況下でのトラッキング性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-12-15T12:18:13Z)
• Lasers to Events: Automatic Extrinsic Calibration of Lidars and Event Cameras [67.84498757689776]
  本稿では,イベントカメラとライダーの直接校正法について述べる。 フレームベースのカメラインターミディエートおよび/または高精度の手測定への依存を除去する。
  論文  参考訳（メタデータ） (2022-07-03T11:05:45Z)
• Monitoring and Adapting the Physical State of a Camera for Autonomous Vehicles [10.490646039938252]
  本稿では,データおよび物理モデルに基づくカメラの汎用的・タスク指向型自己維持フレームワークを提案する。 このフレームワークを現実世界の地上車両に実装し、カメラが粗悪な状況に対応するためにパラメータを調整できることを実証する。 われわれのフレームワークは、カメラの健康状態を監視し維持するための実用的なソリューションを提供するだけでなく、より高度な問題に対処するための拡張の基盤としても機能する。
  論文  参考訳（メタデータ） (2021-12-10T11:14:44Z)
• E$^2$(GO)MOTION: Motion Augmented Event Stream for Egocentric Action Recognition [21.199869051111367]
  イベントカメラは「イベント」の形でピクセルレベルの強度変化を捉えます N-EPIC-Kitchensは、大規模なEPIC-Kitchensデータセットの最初のイベントベースのカメラ拡張である。 イベントデータは、RGBと光フローに匹敵するパフォーマンスを提供するが、デプロイ時に追加のフロー計算を行わないことを示す。
  論文  参考訳（メタデータ） (2021-12-07T09:43:08Z)

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。