論文の概要: DRIVE-C: A Controlled Corruption Dataset for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2605.09774v1
- Date: Sun, 10 May 2026 21:36:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.415077
- Title: DRIVE-C: A Controlled Corruption Dataset for Autonomous Driving
- Title（参考訳）: DRIVE-C:自動運転のための制御された故障データセット
- Authors: Shiva Aher,
- Abstract要約: DRIVE-Cは、自律運転システムの視覚知覚を評価するために設計された制御された汚職データセットである。
昼間、夜間、都市部、農村部、高速道路、駐車場で収集された現実の前方向け運転ビデオから構築されている。
データセットには、10のクリーンクリップと600の破損したクリップが含まれ、5つの深刻度レベルにわたる12のカメラ劣化タイプにまたがる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: DRIVE-C is a controlled corruption dataset designed to evaluate visual perception robustness in autonomous driving systems. It is built from real-world forward-facing driving videos collected across daytime, nighttime, urban, rural, freeway, and parking environments. Clean clips are anonymized via localized face and license plate blurring, then transformed with physics-inspired synthetic degradations. The dataset contains 10 clean clips and 600 corrupted clips spanning 12 camera degradation types across five severity levels, with per-clip metadata and Global Sensor Health Index (GSHI) annotations. DRIVE-C supports robustness benchmarking, degradation-aware modeling, uncertainty estimation, out-of-distribution (OOD) detection, and sensor health monitoring for Advanced Driver Assistance Systems (ADAS). By providing pixel-aligned clean and degraded video clips with fully reproducible corruption parameters, DRIVE-C offers a structured testbed for studying perception reliability under controlled camera degradation.
- Abstract（参考訳）: DRIVE-Cは、自律運転システムにおける視覚知覚の堅牢性を評価するために設計された制御された汚職データセットである。
昼間、夜間、都市部、農村部、高速道路、駐車場で収集された現実の前方向け運転ビデオから構築されている。
クリーンクリップは、ローカライズされた顔とナンバープレートのぼやけによって匿名化され、その後、物理にインスパイアされた合成劣化によって変換される。
データセットには、12のカメラ劣化タイプにまたがる10のクリーンクリップと600の破損したクリップが含まれており、クリップごとのメタデータとGlobal Sensor Health Index(GSHI)アノテーションがある。
DRIVE-Cは、堅牢性ベンチマーク、劣化認識モデリング、不確実性推定、アウト・オブ・ディストリビューション(OOD)検出、およびAdvanced Driver Assistance Systems(ADAS)のためのセンサヘルスモニタリングをサポートする。
DRIVE-Cは、完全再現可能な汚損パラメータを備えた画素配列の清浄・劣化ビデオクリップを提供することにより、制御されたカメラ劣化下での知覚信頼性を研究するための構造化テストベッドを提供する。
関連論文リスト
- RACF: A Resilient Autonomous Car Framework with Object Distance Correction [4.626261940793026]
オブジェクト距離補正アルゴリズム(ODCA)を組み込んだRACF(Resilient Autonomous Car Framework)を提案する。
この枠組みでは、奥行きカメラによる障害物距離推定が不整合である場合には、クロスセンサゲートが補正アルゴリズムを起動して検出された不整合を修正する。
このフレームワークは、強い汚職の下で最大35%のRMSE削減を実現し、リアルタイムに運用しながら、コンプライアンスの停止とブレーキのレイテンシを改善した。
論文 参考訳（メタデータ） (2026-04-14T08:06:09Z) - Adversarial Robustness Analysis of Cloud-Assisted Autonomous Driving Systems [0.0]
本稿では,リアルタイム認識,制御,通信を統合し,クラウド支援自動運転の脆弱性を評価するハードウェア・イン・ザ・ループIoVテストベッドを提案する。
クラウド上に展開されたYOLOv8ベースの物体検出器は、FGSM(Fast Gradient Sign Method)とPGD(Projected Gradient Descent)を用いて、ホワイトボックスの敵攻撃を受ける。
その結果、逆方向の摂動は認識性能を著しく低下させ、PGDは検出精度を低下させ、クリーンベースラインでは0.73と0.68と、エプシロン=0.04では0.22と0.15にリコールした。
論文 参考訳（メタデータ） (2026-04-06T01:54:41Z) - ReinDriveGen: Reinforcement Post-Training for Out-of-Distribution Driving Scene Generation [61.64162666162948]
ReinDriveGenは動的駆動シーンのフルコントロールを可能にするフレームワークである。
提案手法は,マルチフレームLiDARデータから動的3Dポイントクラウドシーンを構築する。
提案手法では,映像拡散モデルを用いてリアルな運転映像を合成する2次元条件画像に編集シーンを描画する。
論文 参考訳（メタデータ） (2026-04-01T16:48:20Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - MSC-Bench: Benchmarking and Analyzing Multi-Sensor Corruption for Driving Perception [9.575044300747061]
マルチセンサー融合モデルは、特に3Dオブジェクト検出やHDマップ構築といったタスクにおいて、自律運転知覚において重要な役割を果たす。
これらのモデルは、自律運転システムに必須かつ包括的な静的環境情報を提供する。
カメラ-LiDAR融合法は有望な結果を示しているが、それらはしばしば完全なセンサー入力に依存する。
この依存は、センサーが破損したり行方不明になったりした場合のロバスト性や潜在的な故障を招き、重大な安全性上の懸念を引き起こす可能性がある。
この課題に対処するために,多センサ自律運転知覚モデルの各種センサ破損に対する堅牢性評価を目的とした,初の総合的なベンチマークであるMulti-Sensor Corruption Benchmark(MSC-Bench)を導入する。
論文 参考訳（メタデータ） (2025-01-02T03:38:46Z) - V-CAS: A Realtime Vehicle Anti Collision System Using Vision Transformer on Multi-Camera Streams [0.0]
本稿では,リアルタイム衝突回避システム(V-CAS)を提案する。
V-CASは適応ブレーキによるリアルタイム衝突リスク評価と能動的緩和を可能にする。
その結果,従来の単カメラ法と比較して物体検出と追跡の大幅な改善,衝突回避の強化が示唆された。
論文 参考訳（メタデータ） (2024-11-04T10:39:15Z) - Cognitive Accident Prediction in Driving Scenes: A Multimodality
Benchmark [77.54411007883962]
本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。
CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。
我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
論文 参考訳（メタデータ） (2022-12-19T11:43:02Z) - A Quality Index Metric and Method for Online Self-Assessment of
Autonomous Vehicles Sensory Perception [164.93739293097605]
本稿では,検出品質指標(DQI)と呼ばれる新しい評価指標を提案し,カメラを用いた物体検出アルゴリズムの性能を評価する。
我々は,提案したDQI評価指標を予測するために,原画像画素とスーパーピクセルを入力として利用するスーパーピクセルベースのアテンションネットワーク(SPA-NET)を開発した。
論文 参考訳（メタデータ） (2022-03-04T22:16:50Z) - DriveGuard: Robustification of Automated Driving Systems with Deep
Spatio-Temporal Convolutional Autoencoder [7.309316212280228]
DriveGuardは、自動運転車のための軽量時間自動エンコーダである。
DriveGuardでカメライメージを最初に処理することで、ノイズの多い入力で各知覚モデルを再学習するよりも、より普遍的なソリューションを提供する。
論文 参考訳（メタデータ） (2021-11-05T12:57:38Z)
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。