論文の概要: Boosting Robustness for All-Weather Self-Supervised Depth Estimation in Autonomous Driving
- arxiv url: http://arxiv.org/abs/2607.21526v1
- Date: Thu, 23 Jul 2026 17:11:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.494139
- Title: Boosting Robustness for All-Weather Self-Supervised Depth Estimation in Autonomous Driving
- Title（参考訳）: 自律走行における全天候自己監督深度推定のロバスト性向上
- Abstract要約: 逆気象条件は画素対応を歪め、自己教師付き損失関数に埋め込まれた仮定に違反する可能性がある。
レーダは悪天候下で広く採用されているセンサであるが、ポイント・オブ・ビュー(POV)におけるレーダーポイントの疎分布は、自己監督型核融合の課題を提起している。
マルチティーラー蒸留とロバストレーダ融合による全天候データを用いた新しい自己学習パイプラインを提案する。
- 参考スコア（独自算出の注目度）: 46.17295445504376
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Self-supervised depth estimation is challenging for safe autonomous driving under various adverse weather conditions due to sensor perception degradation. These challenges arise from two main aspects. Firstly, adverse conditions can distort pixel correspondences and violate the assumptions embedded in the self-supervised loss function, leading to erroneous depth predictions. Secondly, while radar is a widely adopted sensor in adverse weather conditions, the sparse distribution of radar points in the Point of View (POV) poses challenges for self-supervised fusion. To address these issues, we introduce a novel self-training pipeline using unpaired real all-weather data through multi-teacher distillation and robust radar fusion. We propose the Uncertainty-Aware Multi-Teacher Distillation method to generate diverse teacher models with different adverse condition inputs, and then employ uncertainty modeling to weigh the knowledge distillation loss. Additionally, we design the POV-BEV Radar Fusion approach, which leverages camera-pixel ray constraints to establish connections between the camera's Point of View (POV) and the radar's Bird's-Eye View (BEV). This approach enables the utilization of denser radar points, effectively capturing the complementary perspectives of both POV and BEV. Extensive quantitative and qualitative experiments demonstrate the robustness of our proposed method on all-weather datasets, achieving state-of-the-art performance. Our code and models are available at https://github.com/MICLAB-BUPT/RobustDepth.
- Abstract（参考訳）: センサ認識劣化による各種悪天候条件下での安全な自動運転には, 自己監督深度推定が困難である。
これらの課題は2つの主な側面から生じます。
第一に、不適切な条件は画素対応を歪め、自己教師付き損失関数に埋め込まれた仮定に反し、誤った深さ予測をもたらす。
第二に、レーダーは悪天候条件において広く採用されているセンサであるが、ポイント・オブ・ビュー(POV)におけるレーダー点のスパース分布は、自己監督型核融合の課題となっている。
これらの課題に対処するために,マルチティーチングラー蒸留とロバストレーダ融合による全天候データを用いた新しい自己学習パイプラインを導入する。
本研究では,不確実性を考慮した多教師蒸留法を提案し,不確実性モデルを用いて知識蒸留損失の測定を行った。
さらに,カメラのPポイント・オブ・ビュー(POV)とレーダーのバード・アイ・ビュー(BEV)との接続を確立するために,カメラ・ピクセルの制約を利用するPOV-BEVレーダ・フュージョンを設計する。
このアプローチにより、より高密度なレーダーポイントの利用が可能になり、POVとBEVの相補的な視点を効果的に捉えることができる。
大規模な定量的および定性的な実験は、提案手法が全天候データセット上で頑健であることを示し、最先端の性能を達成する。
私たちのコードとモデルはhttps://github.com/MICLAB-BUPT/RobustDepth.comで公開されています。
関連論文リスト
- DinoRADE: Full Spectral Radar-Camera Fusion with Vision Foundation Model Features for Multi-class Object Detection in Adverse Weather [4.199844472131922]
DinoRADEは、高密度なRadarテンソルを処理し、カメラパースペクティブで変換された参照ポイントの周りに視覚的特徴を集約するRadar中心検出パイプラインである。
我々は,全気象条件におけるK-Radarデータセットの総合的な性能評価を行い,検出性能を5つのクラスで個別に報告した。
論文 参考訳（メタデータ） (2026-04-09T10:46:41Z) - SAMFusion: Sensor-Adaptive Multimodal Fusion for 3D Object Detection in Adverse Weather [33.428611256223256]
気象条件に合わせた新しいマルチセンサ融合手法を提案する。
RGBとLiDARセンサーの融合に加えて、我々のセンサー融合スタックは、NIRカメラとレーダーモードから学習することもできる。
気象条件下での自律走行車におけるマルチモーダルセンサフュージョンの信頼性を向上させる。
論文 参考訳（メタデータ） (2025-08-22T14:20:46Z) - TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。
具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。
従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
論文 参考訳（メタデータ） (2025-04-16T05:25:04Z) - RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
暗い照明や悪天候はカメラの性能を低下させる。
レーダーは騒音と位置のあいまいさに悩まされる。
本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
論文 参考訳（メタデータ） (2025-02-18T17:17:38Z) - RIDERS: Radar-Infrared Depth Estimation for Robust Sensing [22.10378524682712]
逆気象条件は正確な深度推定に重大な課題をもたらす。
本研究では,ミリ波レーダと単眼赤外線サーマルカメラを融合させて,ロバストな距離推定手法を提案する。
本手法は、曖昧さと不一致の課題に対処することにより、異常な視覚的品質と正確な計量推定を実現する。
論文 参考訳（メタデータ） (2024-02-03T07:14:43Z) - Echoes Beyond Points: Unleashing the Power of Raw Radar Data in
Multi-modality Fusion [74.84019379368807]
本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。
具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
論文 参考訳（メタデータ） (2023-07-31T09:53:50Z) - Radars for Autonomous Driving: A Review of Deep Learning Methods and
Challenges [0.021665899581403605]
Radarは、自動運転車に使用される知覚センサーのスイートの重要なコンポーネントである。
低解像度、疎度、乱雑、高い不確実性、優れたデータセットの欠如などが特徴である。
現在のレーダーモデルは、レーダーデータに比較的弱い光学的特徴に焦点を当てたライダーや視覚モデルの影響を受けやすい。
論文 参考訳（メタデータ） (2023-06-15T17:37:52Z) - RaLiBEV: Radar and LiDAR BEV Fusion Learning for Anchor Box Free Object
Detection Systems [13.046347364043594]
自動運転では、LiDARとレーダーは環境認識に不可欠である。
最近の最先端の研究は、レーダーとLiDARの融合が悪天候の堅牢な検出につながることを明らかにしている。
鳥眼ビュー融合学習に基づくアンカーボックスフリー物体検出システムを提案する。
論文 参考訳（メタデータ） (2022-11-11T10:24:42Z) - R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of
Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。
本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文 参考訳（メタデータ） (2021-08-10T17:57:03Z) - Radar Camera Fusion via Representation Learning in Autonomous Driving [4.278336455989584]
レーダーカメラ融合の成功の鍵は、正確なデータ関連付けです。
従来のルールに基づくアソシエーション手法は、難解なシナリオやコーナーケースの障害でパフォーマンスが低下するおそれがある。
本稿では,rad-camアソシエーションを深層表現学習を通じて解決し,機能レベルのインタラクションとグローバル推論を検討する。
論文 参考訳（メタデータ） (2021-03-14T01:32:03Z) - Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。
特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。
これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
論文 参考訳（メタデータ） (2020-04-01T16:11:04Z)
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。