論文の概要: Tracking the Invisible: Self-Supervised Wheel Track Detection with Thermal-RGB Fusion

• arxiv url: http://arxiv.org/abs/2610.13872v1
• Date: Fri, 09 Oct 2026 17:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.698822
• Title: Tracking the Invisible: Self-Supervised Wheel Track Detection with Thermal-RGB Fusion
• Title（参考訳）: 可視性追跡:熱-RGB融合による自己監督型車輪追尾検出
• Abstract要約: 本稿では,RGB-I(RGB+Long-Wave Infrared)画像を用いた安全クリティカルな車輪線路検出手法を提案する。 ニューラルネットワークは、4チャンネルのRGB-I画像で、困難で白い路面から車輪の軌跡を識別するように設計されている。
• 参考スコア（独自算出の注目度）: 43.62515260989309
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate detection of drivable area is essential for autonomous driving and advanced driver assistance systems. While state-of-the-art methods focus on general traversability estimation, they prove inadequate for snow-covered roads where following existing wheel tracks offers crucial advantages: improved traction, predictable vehicle dynamics, and verified path stability. To address this, we propose a low-cost, self-supervised approach detecting safety-critical wheel tracks using synchronized RGB-I (RGB + Long-Wave Infrared) imagery. Our method automatically generates training labels by projecting future wheel trajectories from recorded GNSS data. A neural network is designed to identify wheel tracks with the 4-channel RGB-I images from challenging, white-out road surfaces. Experimental results demonstrate the effectiveness of our approach in visually monotonous and featureless adverse environment, offering a robust and cost-effective alternative for winter autonomy. The newly introduced ThermalTrack dataset is available at: https://digitalcommons.mtu.edu/thermaltrack/.
• Abstract（参考訳）: ドライビング可能な領域の正確な検出は、自律運転および先進運転支援システムに不可欠である。 最先端の手法は一般的な走行性評価に重点を置いているが、既存の車輪の線路に追従する道路では、トラクションの改善、予測可能な車両動力学、路面安定性の検証といった重要な利点がある。 そこで本稿では,RGB-I(RGB+Long-Wave Infrared)画像を用いた安全クリティカルホイールトラック検出手法を提案する。 本手法は,記録したGNSSデータから将来の車輪軌道を投影することで,トレーニングラベルを自動生成する。 ニューラルネットワークは、4チャンネルのRGB-I画像で、困難で白い路面から車輪の軌跡を識別するように設計されている。 実験の結果,視覚的に単調で特徴のない悪環境において,冬期自律性に対する堅牢で費用対効果の高い代替手段として,我々のアプローチの有効性が示された。 ThermalTrackのデータセットは、https://digitalcommons.mtu.edu/thermaltrack/.com/で公開されている。

関連論文リスト

• SnowyLane: Robust Lane Detection on Snow-covered Rural Roads Using Infrastructural Elements [0.5314069314483559]
  従来のレーンマーキングへの依存を回避できる,新しい,堅牢でリアルタイムなアプローチを提案する。 提案手法はまずこれらのポストを知覚し,パラメータ化ベジエ曲線モデルを用いてスムーズな車線軌道に適合する。 現状の車線検出システムと比較すると,悪天候下でのロバスト性は著しく向上した。
  論文  参考訳（メタデータ） (2025-11-07T09:49:34Z)
• IRisPath: Enhancing Costmap for Off-Road Navigation with Robust IR-RGB Fusion for Improved Day and Night Traversability [2.21687743334279]
  従来の道路上での自律的な手法はダイナミックな地形に苦しむため、オフロード環境では車両の制御が貧弱になる。 近年の深層学習モデルでは、知覚センサと審美的フィードバックを併用して、そのような地形のナビゲーションを行っている。 本研究では,熱・RGB画像を用いて動的気象・光条件に対する堅牢性を実現するマルチモーダル核融合ネットワーク「IRisPath」を提案する。
  論文  参考訳（メタデータ） (2024-12-04T09:53:09Z)
• LiDAR View Synthesis for Robust Vehicle Navigation Without Expert Labels [50.40632021583213]
  我々は、危険な位置で物理的に運転することなく、新しい視点からLiDAR点雲を合成することを提案する。 我々は、LiDARスキャンを入力とし、将来の軌跡を出力として予測するディープラーニングモデルを訓練する。 次に、この予測軌道にウェイポイントコントローラを適用して、エゴ車両のスロットルおよびステアリングラベルを決定する。
  論文  参考訳（メタデータ） (2023-08-02T20:46:43Z)
• NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for Autonomous Driving [57.03126447713602]
  本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。 ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
  論文  参考訳（メタデータ） (2022-09-29T01:30:34Z)
• WayFAST: Traversability Predictive Navigation for Field Robots [5.914664791853234]
  本稿では,車輪付き移動ロボットの走行経路を予測するための自己教師型アプローチを提案する。 キーとなるインスピレーションは、キノダイナミックモデルを用いてローリングロボットのトラクションを推定できることです。 オンライントラクション推定に基づくトレーニングパイプラインは,他の手法よりもデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-03-22T22:02:03Z)
• Jointly Modeling Motion and Appearance Cues for Robust RGB-T Tracking [85.333260415532]
  我々はRGBと熱(T)の両モードの融合重量マップを推定する新しい後期融合法を開発した。 外観キューが信頼できない場合には、動作キューを考慮に入れ、トラッカーを堅牢にする。 最近の3つのRGB-T追跡データセットの多くの結果から、提案したトラッカーは他の最先端のアルゴリズムよりも大幅に性能が向上していることが示された。
  論文  参考訳（メタデータ） (2020-07-04T08:11:33Z)
• Drone-based RGB-Infrared Cross-Modality Vehicle Detection via Uncertainty-Aware Learning [59.19469551774703]
  ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。 我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。 私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
  論文  参考訳（メタデータ） (2020-03-05T05:29:44Z)

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。