論文の概要: Calibration-Free Vehicle Speed Estimation: A Monocular Keypoint-Template Approach

• arxiv url: http://arxiv.org/abs/2608.16785v1
• Date: Mon, 17 Aug 2026 16:39:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.794522
• Title: Calibration-Free Vehicle Speed Estimation: A Monocular Keypoint-Template Approach
• Title（参考訳）: キャリブレーションフリー車速推定:単眼キーポイントテンプレートアプローチ
• Abstract要約: 本稿では,モノクロビデオから車両の速度を確実かつ効果的に推定するキャリブレーションフリーフレームワークを提案する。 提案フレームワークは,36キーポイントの車両テンプレートと,各フレームに更新されたホモグラフィ行列を用いて車両速度を推定する。
• 参考スコア（独自算出の注目度）: 0.8819673391477033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a calibration-free framework for reliably and effectively estimating vehicle speeds from monocular videos, without relying on roadway features, camera calibration, or roadway-feature-based reference objects. The proposed framework estimates vehicle speeds using a 36-keypoint vehicle template and a homography matrix updated at each frame. A YOLO-based keypoint detection module is trained on diverse datasets, and two estimation strategies are compared: keypoint-only tracking and warped optical flow with dense spatial aggregation. Speed is estimated by projecting displacements into metric space using the homography, with validation conducted on over 400 video clips from roadside and overhead datasets, covering speeds from 30 to 100 mph. The method achieves reliable speed estimation on the VS13 and BrnoCompSpeed datasets, with the warped optical flow method delivering MAEs of 15.0% and 9.7%, respectively, and 77.9% and 93.1% of estimates falling within +/-20% error. After applying a 10% trim to remove edge-of-frame outliers, performance improves to MAEs of 11.7% and 7.6%, with within-+/-20% accuracy increasing to 85.3% and 95.4%. This work addresses key limitations of existing vision-based approaches and enables low-cost and efficient speed enforcement using portable devices such as dashcams and smartphones, thereby supporting citizen-based enforcement programs for traffic safety.
• Abstract（参考訳）: 本稿では,道路の特徴やカメラキャリブレーション,道路機能に基づく参照オブジェクトに頼ることなく,モノクロ映像から車両の速度を確実かつ効果的に推定するキャリブレーションフリーフレームワークを提案する。 提案フレームワークは,36キーポイントの車両テンプレートと,各フレームに更新されたホモグラフィ行列を用いて車両速度を推定する。 YOLOベースのキーポイント検出モジュールは、多様なデータセットに基づいてトレーニングされ、キーポイントのみのトラッキングと、密集した空間アグリゲーションを伴うワープされた光フローの2つの評価戦略が比較される。 速度は、ホログラフィーを用いて距離空間に変位を投影することで推定され、道路や頭上のデータセットから400本以上のビデオクリップで検証され、速度は30～100mphである。 この手法は、VS13とBrnoCompSpeedデータセットの信頼性の高い速度推定を実現し、それぞれ15.0%と9.7%のMAEを供給し、77.9%と93.1%の見積もりを+/-20%の誤差に落としている。 10%のトリムでフレームのエッジ・オブ・フレームのアウトレイラを除去した後、性能は11.7%と7.6%に向上し、内/20%の精度は85.3%と95.4%に向上した。 この研究は、既存の視覚ベースのアプローチの鍵となる限界に対処し、ダッシュカムやスマートフォンなどの携帯機器による低コストで効率的なスピードインクルージョンを可能にし、市民による交通安全のための執行プログラムをサポートする。

関連論文リスト

• MotoSafety: Edge-AI with Learned Temporal Importance for Two-Wheeler Collision Risk Assessment Under Time Pressure [0.8272083537040181]
  我々は、Learned Temporal Importance(LTI)の概念に基づいて構築された新しいエッジAIフレームワークであるMotoSafetyを紹介する。 MotoSafetyは94.97%の精度と99.33%のOC AUCを達成し、10のベースラインを上回っている。 この軽量なフレームワークはPTW衝突リスク評価を推進し、インテリジェントトランスポーテーションシステムのためのセーフシステムアプローチをサポートする。
  論文  参考訳（メタデータ） (2026-08-18T14:21:50Z)
• Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
  本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。 シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。 高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
  論文  参考訳（メタデータ） (2026-02-17T15:10:44Z)
• Planar Velocity Estimation for Fast-Moving Mobile Robots Using Event-Based Optical Flow [1.4447019135112429]
  本稿では,車輪と表面のトラクションの仮定から分離した速度推定手法を提案する。 提案手法は1:10スケールの自律レースプラットフォーム上でのフィールド実験により評価される。
  論文  参考訳（メタデータ） (2025-05-16T11:00:33Z)
• Efficient Vision-based Vehicle Speed Estimation [1.6385815610837167]
  リアルタイム性能向上のための改良点をいくつか紹介する。 本手法をBrnoCompSpeedデータセット上でいくつかの変種で評価する。 我々の最高の性能モデルは、車両の速度推定誤差の中央値において、過去の最先端モデルを上回っている。
  論文  参考訳（メタデータ） (2025-05-02T11:48:11Z)
• Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
  道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。 本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。 カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
  論文  参考訳（メタデータ） (2024-04-11T10:26:40Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• An approach to improving sound-based vehicle speed estimation [0.0]
  本稿では,最近提案された音速推定法の性能改善について検討する。 この方法はVS10データセットでテストされ、10台の異なる車両の304のオーディオビデオが記録されている。
  論文  参考訳（メタデータ） (2022-04-08T12:58:35Z)
• Mel-spectrogram features for acoustic vehicle detection and speed estimation [0.0]
  本論文は,単一センサ計測による音響車両の検出と速度推定について述べる。 入力音声のメル・スペクトログラムから予測されるクリップ車間距離を最小化することにより,車両のパスバイを瞬時に予測する。 メル・スペクトログラムに基づく機能は、中間機能を導入することなく、車両の速度推定に直接使用される。
  論文  参考訳（メタデータ） (2022-04-08T11:53:13Z)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• A Framework for Real-time Traffic Trajectory Tracking, Speed Estimation, and Driver Behavior Calibration at Urban Intersections Using Virtual Traffic Lanes [5.735035463793008]
  本稿では,VT-Laneを用いて得られた高精度な軌跡と移動分類を取り入れたケーススタディを提案する。 我々は、高度に計測された車両を用いて、ビデオ推論から得られた推定速度を検証する。 次に、推定速度を用いて、研究領域における車両の運転行動モデルのパラメータを校正する。
  論文  参考訳（メタデータ） (2021-06-18T06:15:53Z)

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。