論文の概要: AUTOPILOT An Advanced Perception, Localization and Path Planning Techniques for Autonomous Vehicles Using YOLOv7 and MiDaS

• arxiv url: http://arxiv.org/abs/2610.06232v1
• Date: Mon, 05 Oct 2026 12:36:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 17:39:53.277337
• Title: AUTOPILOT An Advanced Perception, Localization and Path Planning Techniques for Autonomous Vehicles Using YOLOv7 and MiDaS
• Title（参考訳）: YOLOv7とMiDaSを用いた自動運転車の高度な認識・位置・経路計画手法
• Abstract要約: 本研究は、YOLOを用いた物体検出とMiDaSを用いた深度センシングを組み合わせたプロジェクト実装に基づく。 その結果、YOLOとMiDaSの組み合わせは、物体検出と深度検出のための新しい堅牢なシステムを提供することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self driving vehicles have emerged as a reliable technology that has the capability to transform transportation and mobility. The development of self driving cars requires significant advances in a number of areas, including perception, localization, decision making, and control. This research paper is based on the project implementation of the combination of object detection using YOLO (You Only Look Once), depth sensing using MiDaS for the localization and perception of obstacles, perspective transform, and decision making for path planning in self driving cars. The contemporary state of the technology for object detection, depth sensing, localization, and path planning evaluates the performance of the combined system through simulations and experiments. The results show that the combination of YOLO and MiDaS provides a new robust system for object detection and depth sensing. This research paper contributes to the advancement of self driving car technology and provides new and innovative approaches to the perception and localization of obstacles in the environment. Keywords: YOLO, MiDaS, perception, localization, decision making
• Abstract（参考訳）: 自動運転車は、輸送と移動を変革する能力を持つ信頼性の高い技術として登場した。 自動運転車の開発には、認識、ローカライゼーション、意思決定、制御など、多くの分野で大きな進歩が必要である。 本研究は, YOLO(You Only Look Once)を用いた物体検出と, MiDaSを用いた障害物の局所化と認識のための深度センシング, 視点変換, 自動走行車における経路計画のための意思決定を組み合わせたプロジェクト実装に基づく。 オブジェクト検出,深度センシング,局所化,経路計画といった技術の現状は,シミュレーションと実験を通じて複合システムの性能を評価する。 その結果, YOLOとMiDaSの組み合わせは, 物体検出と深度検出のための新しいロバストなシステムを提供することがわかった。 本研究は、自動運転技術の進歩に寄与し、環境における障害物の認識と局所化に対する新しい革新的なアプローチを提供する。 キーワード:YOLO、MiDaS、知覚、ローカライゼーション、意思決定

関連論文リスト

• Multi-model approach for autonomous driving: A comprehensive study on traffic sign-, vehicle- and lane detection and behavioral cloning [9.419534148239192]
  本研究は,交通標識の分類,車両検出,車線検出,行動クローニングなどの重要なタスクに,事前学習およびカスタムメイドニューラルネットワークを用いる。 この手法は、データ拡張のための幾何変換や色変換、画像正規化、特徴抽出のための伝達学習など、いくつかの革新的な技術を統合している。 この研究の主な目的は、自動運転車のためのディープラーニングとコンピュータビジョンの最先端技術を見直すことである。
  論文  参考訳（メタデータ） (2026-03-10T06:40:52Z)
• The Role of World Models in Shaping Autonomous Driving: A Comprehensive Survey [50.62538723793247]
  ドライビング・ワールド・モデル(DWM)は、ドライビング・プロセス中のシーンの進化を予測することに焦点を当てている。 DWM法は、自律運転システムが動的運転環境をよりよく知覚し、理解し、相互作用することを可能にする。
  論文  参考訳（メタデータ） (2025-02-14T18:43:15Z)
• The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review [43.30610493968783]
  我々は、最先端のディープラーニングベースの計画システムについてレビューし、どのように予測を統合するかに焦点を当てる。 異なる統合原則の意味、強み、限界について論じる。
  論文  参考訳（メタデータ） (2023-08-10T17:53:03Z)
• Deep Transfer Learning for Intelligent Vehicle Perception: a Survey [42.860260505671036]
  本報告は,知的車両認識のための深層移動学習の話題に関する,初めての包括的調査である。 Deep Transfer Learningは、以前別のドメインで学んだ同様のタスクの知識を活用することで、新しいドメインでのタスクパフォーマンスを改善することを目的としている。
  論文  参考訳（メタデータ） (2023-06-26T23:18:09Z)
• Penalty-Based Imitation Learning With Cross Semantics Generation Sensor Fusion for Autonomous Driving [1.2749527861829049]
  本稿では,複数の情報モダリティを統合するために,ペナルティに基づく模倣学習手法を提案する。 最新技術(SOTA)モデルであるInterFuserと比較して,運転スコアが12%以上増加していることが観察された。 本モデルでは, 推論速度を7倍に向上し, モデルサイズを約30%削減しながら, この性能向上を実現している。
  論文  参考訳（メタデータ） (2023-03-21T14:29:52Z)
• 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)
• Exploring Contextual Representation and Multi-Modality for End-to-End Autonomous Driving [58.879758550901364]
  最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。 我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。 提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
  論文  参考訳（メタデータ） (2022-10-13T05:56:20Z)
• 3D Object Detection for Autonomous Driving: A Comprehensive Survey [48.30753402458884]
  自動運転車の近くで重要な3Dオブジェクトの位置、サイズ、カテゴリをインテリジェントに予測する3Dオブジェクト検出は、認識システムの重要な部分である。 本稿では,自律運転における3次元物体検出技術の進歩を概観する。
  論文  参考訳（メタデータ） (2022-06-19T19:43:11Z)

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。