論文の概要: Taming Perception Jitter: Uncertainty-Aware LiDAR Object Detection for Reliable Motion Classification

• arxiv url: http://arxiv.org/abs/2606.09350v1
• Date: Mon, 08 Jun 2026 11:24:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.939633
• Title: Taming Perception Jitter: Uncertainty-Aware LiDAR Object Detection for Reliable Motion Classification
• Title（参考訳）: 触覚ジッタ:信頼性の高い動作分類のための不確かさを意識したLiDAR物体検出
• Authors: Cornelius Schröder, Žygimantas Marcinkus, Markus Lienkamp,
• Abstract要約: 不安定な境界ボックス予測は、追跡と誤った予測された軌道における急激な速度推定につながる可能性がある。 本稿では,3次元物体検出器にアレータティック不確実性推定を付加し,短時間の観測窓に2サンプルのz検定を適用し,ジッタから真の動きを分離する配置フレンドリーな緩和戦略を提案する。
• 参考スコア（独自算出の注目度）: 8.046180274721541
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reliable motion classification is critical for autonomous driving, as false dynamic predictions of static objects can cascade into unnecessary planner interventions. Unstable bounding box predictions can lead to spurious velocity estimates in tracking and falsely predicted trajectories. We present a deployment-friendly mitigation strategy that augments a 3D object detector with aleatoric uncertainty estimates and applies a two-sample z-test over short observation windows to separate true motion from jitter. Integrated into Autoware with minimal changes, the approach reuses existing data association for minimal compute overhead. Empirical results show parity with velocity thresholding on nuScenes, but substantially fewer false dynamic predictions and unnecessary stops in real-world test drives, explained by the presence of an intermediate jitter band in the recorded data that speed-only rules misclassify. This demonstrates that uncertainty-aware detection and lightweight statistical testing can deliver practical performance gains for autonomous driving in noisier real-world settings.
• Abstract（参考訳）: 静的物体の誤った動的予測は、不要なプランナーの介入にカスケードすることができるため、自律運転には信頼性の高い動作分類が重要である。 不安定な境界ボックス予測は、追跡と誤った予測された軌道における急激な速度推定につながる可能性がある。 本稿では,3次元物体検出器にアレータティック不確実性推定を付加し,短時間の観測窓に2サンプルのz検定を適用し,ジッタから真の動きを分離する配置フレンドリーな緩和戦略を提案する。 最小限の変更でAutowareに統合されたこのアプローチは、計算オーバーヘッドを最小限に抑えるために既存のデータアソシエーションを再利用する。 実験的な結果から, nuScene の速度閾値と同等であるが, 実世界のテストドライブにおいて, 速度のみのルールが誤分類されている記録データに中間ジッタバンドが存在することにより, 偽の動的予測や不必要な停止が著しく少ないことがわかった。 このことは、不確実性を認識した検出と軽量な統計的テストが、よりノイズの多い現実の環境での自律運転に実用的なパフォーマンス向上をもたらすことを示している。

関連論文リスト

• Anomaly-Informed Confidence Calibration for Vision-Based Safety Prediction [1.0981335059631014]
  既存の異常信号における臨界知覚-力学ギャップを同定する。 本研究では,世界モデルから抽出した2つの異常スコアを融合する異常情報オンライン手法を提案する。
  論文  参考訳（メタデータ） (2026-05-20T12:43:09Z)
• Effort-Based Criticality Metrics for Evaluating 3D Perception Errors in Autonomous Driving [14.590459688780205]
  時間対衝突のような臨界度は衝突の緊急度を定量化するが、知覚エラーの結果を説明できる。 本稿では,False Speed ReductionとMaximum Deceleration Rateの2つの新しい取り組みベースの指標を提案する。 3つの指標はいずれも、確立された時間ベース、減速ベース、あるいは正規化臨界対策に到達できない安全関連情報を捉えている。
  論文  参考訳（メタデータ） (2026-03-30T04:46:03Z)
• Detecting Object Tracking Failure via Sequential Hypothesis Testing [80.7891291021747]
  ビデオにおけるリアルタイムのオンラインオブジェクト追跡は、コンピュータビジョンにおける中核的なタスクである。 本稿では,物体追跡を逐次的仮説テストとして解釈することを提案する。 本研究では,地中追跡情報と内部追跡情報の両方を活用することにより,教師なしと教師なしの両方の変種を提案する。
  論文  参考訳（メタデータ） (2026-02-13T14:57:15Z)
• Dynamic Aware: Adaptive Multi-Mode Out-of-Distribution Detection for Trajectory Prediction in Autonomous Vehicles [8.920589816043298]
  軌道予測は自動運転車の安全かつシームレスな運転の中心である。 デプロイメントにおいて、予測モデルは、トレーニングデータと実世界の条件の間の分散シフトに必然的に直面する。 本稿では,複雑な運転環境におけるロバスト検出を実現するための適応機構を提案する。
  論文  参考訳（メタデータ） (2025-09-16T22:37:21Z)
• Temporal Misalignment Attacks against Multimodal Perception in Autonomous Driving [23.83773255227831]
  DejaVuは車載ネットワークを利用して、センサストリーム間の遅延を誘導し、微妙な時間的ミスアライメントを生成する攻撃である。 包括的攻撃分析により,センサのタスク特異的な不均衡感が明らかになった。 シングルフレームのLiDAR遅延では、攻撃者は車検出のmAPを最大88.5%削減し、3フレームのカメラ遅延、車滴の多重物体追跡精度(MOTA)を73%削減できる。
  論文  参考訳（メタデータ） (2025-07-12T00:44:26Z)
• Building Real-time Awareness of Out-of-distribution in Trajectory Prediction for Autonomous Vehicles [9.009998323918621]
  十分に訓練された機械学習モデルでさえ、トレーニングデータと推論中に遭遇する実世界の条件の相違により、信頼性の低い予測を生成する可能性がある。 我々は,OOD検出を変更点検出問題としてフレーミングすることで,OOD検出の原理的リアルタイムアプローチを導入する。 我々の軽量なソリューションは、軌道予測推論中にいつでもOODの発生を処理できる。
  論文  参考訳（メタデータ） (2024-09-25T18:43:58Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
  自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。 相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。 本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
  論文  参考訳（メタデータ） (2021-05-28T09:23:05Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)

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。