論文の概要: SPARK: Low Latency Single-Camera 3D Pose Estimation for Autonomous Racing using Keypoints

• arxiv url: http://arxiv.org/abs/2606.17936v1
• Date: Tue, 16 Jun 2026 13:45:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.463141
• Title: SPARK: Low Latency Single-Camera 3D Pose Estimation for Autonomous Racing using Keypoints
• Title（参考訳）: SPARK:キーポイントを用いた自律走行における低レイテンシ単カメラ3Dポッド推定
• Authors: Dominic Ebner, Markus Lienkamp,
• Abstract要約: キーポイント検出を用いた自律走行のための単カメラポーズ推定アルゴリズムであるSPARKを提案する。 最先端のモノクロカメラ検出アルゴリズムよりも高い精度で長距離検出を実現する。 我々は、実世界の自律レースデータに対するアプローチの性能を評価し、それを最先端のLiDARとカメラ検出アルゴリズムと比較した。
• 参考スコア（独自算出の注目度）: 5.912377792360711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In autonomous racing, fast detection of other participants' movements is required to plan safe, collision-free trajectories with non-cooperative opponents. LiDAR detection is inherently slower and harder to deploy on edge devices than vision methods, causing delayed detections that limit object tracking performance during high-dynamic maneuvering. Utilizing monocular 3D detection enables an easy-to-deploy, low-latency detection of other participants on the racetrack. We present SPARK, a single-camera pose-estimation algorithm for autonomous racing using keypoint detection. It achieves long-range detection with high accuracy, exceeding the performance of state-of-the-art monocular camera detection algorithms while maintaining lower latency. By employing well-optimized YOLO models and leveraging the fixed geometry in the autonomous racing domain, the algorithm also exhibits low latency and resource usage. We evaluate the performance of our approach on real-world autonomous racing data and compare it to state-of-the-art LiDAR and camera detection algorithms. The source code is available at: https://github.com/TUMFTM/SPARK-camera-det
• Abstract（参考訳）: 自律レースでは、他の参加者の動きの迅速な検出が、非協力的な相手と安全で衝突のない軌道を計画するために必要である。 LiDAR検出は、視覚的手法よりもエッジデバイスへの展開が本質的に遅く、難しいため、高速操作時の物体追跡性能を制限する遅延検出が生じる。 モノクロ3D検出を利用することで、レーストラック上の他の参加者の容易かつ低遅延検出が可能になる。 キーポイント検出を用いた自律走行のための単カメラポーズ推定アルゴリズムであるSPARKを提案する。 レイテンシを低く保ちながら、最先端のモノクロカメラ検出アルゴリズムの性能を上回る精度で長距離検出を実現する。 最適化されたYOLOモデルを採用し、自律レース領域における固定幾何を活用することにより、アルゴリズムは低レイテンシとリソース使用量を示す。 我々は、実世界の自律レースデータに対するアプローチの性能を評価し、それを最先端のLiDARとカメラ検出アルゴリズムと比較した。 ソースコードは、https://github.com/TUMFTM/SPARK-camera-det.comで入手できる。

関連論文リスト

• Driving in Spikes: An Entropy-Guided Object Detector for Spike Cameras [62.94986160782233]
  スパイクカメラは、マイクロ秒のレイテンシとオブジェクト検出のための超高ダイナミックレンジを提供する。 希少で離散的な出力は標準画像ベースの検出器では処理できない。 デュアルブランチ設計によるエンド・ツー・エンドのスパイクカメラ検出器EASDを提案する。 DSEC Spikeは、最初の駆動指向シミュレートされたスパイク検出ベンチマークである。
  論文  参考訳（メタデータ） (2025-11-19T14:16:17Z)
• Real-Time Navigation for Autonomous Aerial Vehicles Using Video [11.414350041043326]
  我々は,コンピュータビジョン(CV)アルゴリズムの作業量を削減するために,新しいマルコフ決定プロセス(MDP)フレームワークを導入する。 提案するフレームワークは,機能ベースとニューラルネットベースのオブジェクト検出タスクの両方に適用する。 これらの総合的なテストは、エネルギー消費と速度に大きな利点を示し、精度は限られている。
  論文  参考訳（メタデータ） (2025-04-01T01:14:42Z)
• Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
  共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-07-19T07:48:45Z)
• Multi-Object Tracking based on Imaging Radar 3D Object Detection [0.13499500088995461]
  本稿では,古典的追跡アルゴリズムを用いて,周囲の交通参加者を追跡する手法を提案する。 学習に基づく物体検出器はライダーとカメラのデータに適切に対応し、学習に基づく物体検出器は標準のレーダーデータ入力により劣っていることが示されている。 レーダセンサ技術の改良により、レーダの物体検出性能は大幅に改善されたが、レーダ点雲の広さによりライダーセンサに制限されている。 追跡アルゴリズムは、一貫したトラックを生成しながら、限られた検出品質を克服しなければならない。
  論文  参考訳（メタデータ） (2024-06-03T05:46:23Z)
• PNAS-MOT: Multi-Modal Object Tracking with Pareto Neural Architecture Search [64.28335667655129]
  複数の物体追跡は、自律運転において重要な課題である。 トラッキングの精度が向上するにつれて、ニューラルネットワークはますます複雑になり、レイテンシが高いため、実際の運転シナリオにおける実践的な応用に課題が生じる。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法を用いて追跡のための効率的なアーキテクチャを探索し,比較的高い精度を維持しつつ,低リアルタイム遅延を実現することを目的とした。
  論文  参考訳（メタデータ） (2024-03-23T04:18:49Z)
• Multi-Object Tracking with Camera-LiDAR Fusion for Autonomous Driving [0.764971671709743]
  提案したMOTアルゴリズムは、3段階のアソシエーションプロセスと、検出された動的障害物の運動を推定する拡張カルマンフィルタと、トラック管理フェーズとを備える。 多くの最先端のマルチモーダルMOTアプローチとは異なり、提案アルゴリズムはエゴのグローバルなポーズの地図や知識に依存しない。 このアルゴリズムはシミュレーションと実世界のデータの両方で検証され、良好な結果が得られる。
  論文  参考訳（メタデータ） (2024-03-06T23:49:16Z)
• Minkowski Tracker: A Sparse Spatio-Temporal R-CNN for Joint Object Detection and Tracking [53.64390261936975]
  我々はオブジェクトの検出と追跡を共同で解決するスパース時間R-CNNであるMinkowski Trackerを提案する。 領域ベースCNN(R-CNN)に着想を得て,物体検出器R-CNNの第2段階として動きを追跡することを提案する。 大規模実験では,本手法の総合的な性能向上は4つの要因によることがわかった。
  論文  参考訳（メタデータ） (2022-08-22T04:47:40Z)
• CFTrack: Center-based Radar and Camera Fusion for 3D Multi-Object Tracking [9.62721286522053]
  本稿では,レーダとカメラセンサの融合に基づく共同物体検出と追跡のためのエンドツーエンドネットワークを提案する。 提案手法では,物体検出に中心型レーダカメラ融合アルゴリズムを用い,物体関連にグリーディアルゴリズムを用いる。 提案手法は,20.0AMOTAを達成し,ベンチマークにおける視覚ベースの3Dトラッキング手法よりも優れる,挑戦的なnuScenesデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-07-11T23:56:53Z)
• Achieving Real-Time LiDAR 3D Object Detection on a Mobile Device [53.323878851563414]
  本稿では,強化学習技術を用いたネットワーク拡張とpruning検索を組み込んだコンパイラ対応統一フレームワークを提案する。 具体的には,リカレントニューラルネットワーク(RNN)を用いて,ネットワークの強化とプルーニングの両面での統一的なスキームを自動で提供する。 提案手法は,モバイルデバイス上でのリアルタイム3次元物体検出を実現する。
  論文  参考訳（メタデータ） (2020-12-26T19:41:15Z)
• Streaming Object Detection for 3-D Point Clouds [29.465873948076766]
  LiDARは、多くの既存の知覚システムに通知する顕著な感覚モダリティを提供する。 ポイントクラウドデータに基づく知覚システムのレイテンシは、完全なローテーションスキャンの時間量によって支配される。 我々は、LiDARデータをそのネイティブストリーミング定式化で操作することで、自動運転オブジェクト検出にいくつかの利点があることを示す。
  論文  参考訳（メタデータ） (2020-05-04T21:55:15Z)

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。