論文の概要: A Multi-Modal Perception Pipeline for Object Detection and Tracking in Autonomous Racing

• arxiv url: http://arxiv.org/abs/2609.08338v2
• Date: Thu, 10 Sep 2026 10:32:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 14:47:34.279952
• Title: A Multi-Modal Perception Pipeline for Object Detection and Tracking in Autonomous Racing
• Title（参考訳）: 自律走行における物体検出・追跡のための多モード知覚パイプライン
• Authors: Davide Malvezzi, Michele Pestarino, Vittoria Cavicchioli, Valentina La Gamba, Silvia Severi, Fabio Bagni, Luca Bartoli, Massimiliano Bosi, Francesco Gatti, Micaela Verucchi, Ayoub Raji, Marko Bertogna,
• Abstract要約: 本稿では,自律走行領域における物体検出と追跡のためのマルチモーダル遅延融合認識パイプラインを提案する。 カメラ、LiDAR、RADARからの独立検出は、周囲の車両のタイムリーで堅牢な状態推定を提供するために組み合わせられる。 追従法は、車両のダイナミックスや軌道レイアウトの知識を前に、検出遅延とモデルへの埋め込みを明示的に補償する。
• 参考スコア（独自算出の注目度）: 1.3281177137699656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection and tracking are fundamental components of perception systems for autonomous driving. Achieving robust performance under adverse conditions such as limited visibility, sensor noise, and failures remains an open challenge, particularly in autonomous racing, where vehicles operate at very high speeds, experience strong vibrations, and interact under small safety margins. This paper presents a multi-modal late-fusion perception pipeline for object detection and tracking in the autonomous racing domain. The proposed system extends previous work by exploiting all onboard sensors through a late-fusion approach and a dedicated multi-object tracking framework. Independent detections from cameras, LiDARs, and RADARs are combined to provide timely and robust state estimates of surrounding vehicles. The tracking method explicitly compensates for detection delays and embeds in its model prior knowledge of vehicle dynamics and track layout. Experimental evaluation on real-world data across diverse critical scenarios, representative of challenging edge cases also in urban driving, confirms the effectiveness of the proposed pipeline and its suitability to support safe and adaptive planning decisions.
• Abstract（参考訳）: 物体検出と追跡は、自律運転のための知覚システムの基本的な構成要素である。 限られた可視性、センサノイズ、故障などの悪条件下での堅牢な性能を達成することは、特に自動運転車が非常に高速で走行し、強い振動を経験し、小さな安全マージンの下で相互作用する自動運転レースにおいて、未解決の課題である。 本稿では,自律走行領域における物体検出と追跡のためのマルチモーダル遅延融合認識パイプラインを提案する。 提案システムは、遅延融合アプローチと専用マルチオブジェクトトラッキングフレームワークを通じて、すべてのオンボードセンサーを活用することで、これまでの作業を拡張した。 カメラ、LiDAR、RADARからの独立検出は、周囲の車両のタイムリーで堅牢な状態推定を提供するために組み合わせられる。 追従法は、車両のダイナミックスや軌道レイアウトの知識を前に、検出遅延とモデルへの埋め込みを明示的に補償する。 都市部での運転にも挑戦するエッジケースを代表した多種多様な臨界シナリオを対象とした実世界のデータ実験により,提案したパイプラインの有効性と,安全かつ適応的な計画決定を支援するための適合性を確認した。

関連論文リスト

• One-Stage Object Detectors in Autonomous Driving [0.0]
  本稿では,自動運転のための一段階物体検出器の探索と解析を行う。 YOLOv1、SSD、RetinaNet、EfficientDet、FCOSやCenterNetのようなアンカーフリー検出器、そして最近のYOLOv10のようなリアルタイムモデルを含む主要な一段検出器の進化をレビューする。 全体として、この調査は、ワンステージ検出器が速度、精度、効率、頑健さのバランスを保ちながら、ベンチマーク結果と信頼性の高い現実の自動運転性能の間の残りのギャップを強調している。
  論文  参考訳（メタデータ） (2026-08-19T15:13:33Z)
• Bench2Drive-Robust: Benchmarking Closed-Loop Autonomous Driving under Deployment Perturbations [122.22391796628408]
  Bench2Drive-Robustは、クローズドループのエンドツーエンド自動運転のための最初のデバイス中心の堅牢性ベンチマークである。 我々は,カメラストリーム障害,エゴ状態推定誤差,計算による制御遅延という3つの主要な原因から生じる展開指向の摂動を系統的に評価した。 以上の結果から,これらの展開に伴う摂動は閉ループ駆動性能を著しく低下させる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-18T08:45:24Z)
• AVOID: The Adverse Visual Conditions Dataset with Obstacles for Driving Scene Understanding [48.97660297411286]
  シミュレーション環境におけるリアルタイム障害物検出のための新しいデータセットであるAVOIDを紹介する。 AVOIDは、様々な天候と時間条件下で捕獲された各経路に沿って、予期せぬ道路障害物からなる。 各画像は、対応するセマンティックマップと深度マップ、生およびセマンティックLiDARデータ、およびウェイポイントと結合される。
  論文  参考訳（メタデータ） (2025-12-29T05:34:26Z)
• Classification of Driver Behaviour Using External Observation Techniques for Autonomous Vehicles [0.7734726150561086]
  本研究では,外的観察技術を用いて障害・障害の指標を検出する新しい運転行動分類システムを提案する。 提案フレームワークは, リアルタイム物体追跡, 横変位解析, レーン位置モニタリングなど, 高度なコンピュータビジョン手法を用いている。 車両間通信に依存するシステムとは異なり、このビジョンベースのアプローチは非接続車両の行動解析を可能にする。
  論文  参考訳（メタデータ） (2025-09-11T11:05:14Z)
• CRASH: Crash Recognition and Anticipation System Harnessing with Context-Aware and Temporal Focus Attentions [13.981748780317329]
  カメラ映像から周囲の交通機関の事故を正確にかつ迅速に予測することは、自動運転車(AV)の安全性に不可欠である 本研究は, CRASH と呼ばれる, AV の新たな事故予測フレームワークを提案する。 オブジェクト検出、特徴抽出、オブジェクト認識モジュール、コンテキスト認識モジュール、多層融合の5つのコンポーネントをシームレスに統合する。 私たちのモデルは、平均精度(AP)や平均到達時間(mTTA)といった重要な評価指標において、既存のトップベースラインを超えています。
  論文  参考訳（メタデータ） (2024-07-25T04:12:49Z)
• Deep Learning-Based Robust Multi-Object Tracking via Fusion of mmWave Radar and Camera Sensors [6.166992288822812]
  複雑なトラフィックシナリオを通じて、より安全で効率的なナビゲーションを実現する上で、マルチオブジェクトトラッキングは重要な役割を果たす。 本稿では,自律走行システムにおける複数物体追跡の精度とロバスト性を高めるために,レーダデータとカメラデータを統合した新しいディープラーニング方式を提案する。
  論文  参考訳（メタデータ） (2024-07-10T21:09:09Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)

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。