論文の概要: Ufil: A Unified Framework for Infrastructure-based Localization
- arxiv url: http://arxiv.org/abs/2604.21471v1
- Date: Thu, 23 Apr 2026 09:29:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.412051
- Title: Ufil: A Unified Framework for Infrastructure-based Localization
- Title（参考訳）: Ufil: インフラストラクチャベースのローカライゼーションのための統一フレームワーク
- Authors: Simon Schäfer, Lucas Hegerath, Marius Molz, Massimo Marcon, Bassam Alrifaee,
- Abstract要約: インフラベースのローカライゼーションは、道路ユーザの状態推定を提供することで、道路安全と交通管理を強化する。
標準化されたオブジェクトモデルと再利用可能なマルチオブジェクト追跡コンポーネントを備えたインフラストラクチャベースのローカライゼーションのための統一フレームワークであるUfilを紹介する。
Ufilは、予測、検出、関連付け、状態更新、トラック管理のためのインターフェースとリファレンス実装を提供する。
- 参考スコア（独自算出の注目度）: 0.2271910267215261
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Infrastructure-based localization enhances road safety and traffic management by providing state estimates of road users. Development is hindered by fragmented, application-specific stacks that tightly couple perception, tracking, and middleware. We introduce Ufil, a Unified Framework for Infrastructure-Based Localization with a standardized object model and reusable multi-object tracking components. Ufil offers interfaces and reference implementations for prediction, detection, association, state update, and track management, allowing researchers to improve components without reimplementing the pipeline. Ufil is open-source C++/ROS 2 software with documentation and executable examples. We demonstrate Ufil by integrating three heterogeneous data sources into a single localization pipeline combining (i) vehicle onboard units broadcasting ETSI ITS-G5 Cooperative Awareness Messages, (ii) a lidar-based roadside sensor node, and (iii) an in-road sensitive surface layer. The pipeline runs unchanged in the CARLA simulator and a small-scale CAV testbed, demonstrating Ufil's scale-independent execution model. In a three-lane highway scenario with 423 and 355 vehicles in simulation and testbed, respectively, the fused system achieves lane-level lateral accuracy with mean lateral position RMSEs of 0.31 m in CARLA and 0.29 m in the CPM Lab, and mean absolute orientation errors around 2.2°. Median end-to-end latencies from sensing to fused output remain below 100 ms across all modalities in both environments.
- Abstract（参考訳）: インフラベースのローカライゼーションは、道路ユーザの状態推定を提供することで、道路安全と交通管理を強化する。
開発は断片化されたアプリケーション固有のスタックによって妨げられ、認識、トラッキング、ミドルウェアを密に結合する。
標準化されたオブジェクトモデルと再利用可能な複数オブジェクト追跡コンポーネントを備えたインフラストラクチャベースローカライゼーションのための統一フレームワークであるUfilを紹介する。
Ufilは、予測、検出、関連付け、状態更新、トラック管理のためのインターフェースとリファレンス実装を提供し、研究者はパイプラインを再実装することなくコンポーネントを改善することができる。
UfilはオープンソースのC++/ROS 2ソフトウェアで、ドキュメンテーションと実行可能な例がある。
3つの異種データソースを1つのローカライゼーションパイプラインに統合することでUfilを実証する。
一 ETSIITS-G5協調認識メッセージを放送する車載機
(二)ライダーによる道路側センサノード、及び
三 道路内感応性表面層
パイプラインはCARLAシミュレータと小規模なCAVテストベッドで動作し、Ufilのスケール非依存実行モデルを示す。
CARLAでは平均横位置RMSEが0.31m、CPMラボでは0.29mであり、平均絶対方位誤差は2.2°である。
センシングから融合出力までの中間のレイテンシは、両方の環境のすべてのモードで100ミリ秒以下である。
関連論文リスト
- Bench2Drive-VL: Benchmarks for Closed-Loop Autonomous Driving with Vision-Language Models [50.22099309218635]
自律運転においては、閉ループ評価はオープンループ評価よりも信頼性の高い検証方法として広く認識されている。
本稿では,VLM駆動における閉ループ評価を実現するBench2Drive-VLについて述べる。
論文 参考訳（メタデータ） (2026-04-01T11:38:46Z) - A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner [69.43049144653882]
本稿では,車種別制御から高レベルの意思決定を分離する統一アーキテクチャを提案する。
提案アーキテクチャは、計画、センシング、車両実行の標準化されたインターフェースを定義するGuaralPlannerを通じて実現されている。
論文 参考訳（メタデータ） (2026-02-11T10:02:31Z) - Pandar128 dataset for lane line detection [0.30586855806896035]
Pandar128は128ビームのLiDARを使用したレーン線検出のための最大の公開データセットである。
52,000枚以上のカメラフレームと34,000枚のLiDARスキャンが含まれており、ドイツの様々な現実世界で撮影されている。
また,このデータセットを補完するために,車線再建のための軽量ベースライン法であるSimpleLidarLaneを導入する。
論文 参考訳（メタデータ） (2025-11-10T13:18:36Z) - ChannelFlow-Tools: A Standardized Dataset Creation Pipeline for 3D Obstructed Channel Flows [0.0]
ChannelFlow-ToolsはCADソリッドジェネレーションからML対応入力およびターゲットまでのエンドツーエンドパスを標準化する構成駆動フレームワークである。
単一のHydra/OmegaConf構成はすべてのステージを制御し、決定論的複製と制御されたアブレーションを可能にする。
論文 参考訳（メタデータ） (2025-09-17T13:18:05Z) - Target-aware Bidirectional Fusion Transformer for Aerial Object Tracking [4.199091332200661]
UAV追跡のための新しい目標対応双方向核融合変換器(BFTrans)を提案する。
我々の手法は他の最先端トラッカーを超え、組込みプラットフォーム上で平均30.5 FPSで実行することができる。
論文 参考訳（メタデータ） (2025-03-13T01:53:29Z) - Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。
本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。
我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文 参考訳（メタデータ） (2024-10-10T10:10:03Z) - Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。
我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
論文 参考訳（メタデータ） (2024-06-06T09:12:30Z) - Automatic vehicle trajectory data reconstruction at scale [2.010294990327175]
本稿では,視覚に基づく車両軌道データにおける共通誤差を補正する自動軌道データ照合法を提案する。
本手法により, 実験対象の入力データの精度が向上し, 広い範囲で精度が向上することを示す。
論文 参考訳（メタデータ） (2022-12-15T15:39:55Z) - Cyber Mobility Mirror: Deep Learning-based Real-time 3D Object
Perception and Reconstruction Using Roadside LiDAR [14.566471856473813]
Cyber Mobility Mirrorは、3Dオブジェクトの検出、分類、追跡、再構築のための次世代のリアルタイム交通監視システムである。
実地試験の結果,試作システムでは96.99%の精度で,83.62%のリコールを達成できた。
高忠実度リアルタイム交通条件は、搭載車両のGUIに3-4Hzの周波数で表示することができる。
論文 参考訳（メタデータ） (2022-02-28T01:58:24Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z)
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。