論文の概要: Edge Deployable Lightweight Framework for Real-Time Driver Safety System with Integrated Lane Departure and Traffic Sign Recognition

• arxiv url: http://arxiv.org/abs/2610.25340v1
• Date: Sun, 18 Oct 2026 15:34:08 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:37:44.303413
• Title: Edge Deployable Lightweight Framework for Real-Time Driver Safety System with Integrated Lane Departure and Traffic Sign Recognition
• Title（参考訳）: 車線分割と交通信号認識を併用したリアルタイム運転安全システムのためのエッジ展開軽量化フレームワーク
• Abstract要約: レーンの出発と交通信号の無視は、特に標準化されていない標識と限られたデータを持つ地域での道路事故に寄与している。 本稿では,車線分割警告(LDW)と交通信号検出・認識(TSD/TSR)を同時に行う,統合されたエッジデプロイ可能なADASフレームワークを提案する。 本手法は,LDW と TSD/TSR の両方をエッジハードウェア上でリアルタイムに動作させることにより,資源制約条件下での低コストでフィールド対応の ADAS を実現する。
• 参考スコア（独自算出の注目度）: 0.9384813902828482
• License:
• Abstract: Lane departure and traffic-sign negligence are leading contributors to road accidents, particularly in regions with non-standardized signage and limited annotated data. Existing Advanced Driver Assistance Systems (ADAS) solutions are often developed as disjointed submodules, are rarely validated for real-time operation, and struggle to balance accuracy with low-latency inference for embedded deployment. We address these gaps with a unified, edge-deployable ADAS framework that simultaneously performs lane-departure warning (LDW) and traffic-sign detection and recognition (TSD/TSR), and validate the proposed system on automotive-class devices. Our framework combines a lightweight, lane-segmentation-driven LDW, which includes a drivable-area fallback for degraded markings, with a two-stage TSD/TSR pipeline consisting of efficient sign localization followed by fine-grained classification, designed to preserve accuracy at embedded latency. To support region-specific deployment under data scarcity, we curate a 35-class local traffic-sign dataset and introduce a generalized augmentation and balancing profile, expanding the corpus from 359 images to 8,750 samples. On an NVIDIA Jetson Orin Nano, the integrated system sustains 15 FPS end to end (32 FPS for LDW and 18 FPS for TSD/TSR). The TSD/TSR branch achieves 97.4 mAP for detection and 95.6% validation accuracy (93.1% on a local real-world set) while maintaining an approximately 13.9 M parameter footprint. Relative to recent methods that target a single task or report results only on desktop-class GPUs, our approach delivers both LDW and TSD/TSR with real-time performance on edge hardware, providing a practical pathway to low-cost, field-ready ADAS in resource-constrained settings.
• Abstract（参考訳）: レーンの出発と交通信号の無視は、特に標準化されていない標識と限られた注釈付きデータを持つ地域での道路事故に寄与している。 既存のAdvanced Driver Assistance Systems (ADAS) ソリューションは、しばしば非結合サブモジュールとして開発され、リアルタイム操作で検証されることは滅多になく、組み込みデプロイメントの低遅延推論と精度のバランスをとるのに苦労する。 本稿では,車線分割警告 (LDW) と交通信号検出・認識 (TSD/TSR) を同時に行う統合されたエッジデプロイ可能なADASフレームワークを用いて,これらのギャップに対処し,提案したシステムを自動車級デバイス上で検証する。 我々のフレームワークは、劣化マーキングのための乾燥可能なフォールバックを含む軽量で車線分割駆動型LDWと、効率的な符号の局所化と、組込み遅延の精度を維持するために設計されたきめ細かな分類からなる2段階のTSD/TSRパイプラインを組み合わせる。 データ不足下での地域固有のデプロイメントを支援するため、35クラスのローカルトラフィックサインデータセットをキュレートし、一般化された拡張とバランスプロファイルを導入し、コーパスを359のイメージから8750のサンプルに拡張した。 NVIDIA Jetson Orin Nanoでは、15 FPSのエンドツーエンド(LDWは32 FPS、TSD/TSRは18 FPS)を維持できる。 TSD/TSRブランチは、検出用の97.4 mAPと95.6%の検証精度(ローカルな実世界のセットでは93.1%)を達成し、約13.9Mのパラメータフットプリントを維持している。 一つのタスクをターゲットにした最近の手法や、デスクトップクラスのGPUでのみ結果を報告する手法と比較して、当社の手法はLDWとTLD/TSRの両方にエッジハードウェア上でのリアルタイムパフォーマンスを提供し、リソース制約のある設定において、低コストでフィールド対応のADASを実現するための実用的な経路を提供する。

関連論文リスト

• GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
  GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。 30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。 エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
  論文  参考訳（メタデータ） (2026-09-30T12:20:51Z)
• Multi-Modal Traffic Sign Detection with Semantic Attributes for Autonomous Driving [36.63134402686799]
  視覚に基づく手法は、国間での多様性の高さによる地域間一般化の低さ、長距離での小さな物体検出における劣化性能、車両が標識に近づくと生じる強い非線形の視点歪みの下での脆弱な時間的追跡の3つの基本的な限界に直面している。 Intensity-Aware Deformable Fusionモジュールは、反射反射型LiDARキューとカメラの特徴を一致させ、領域固有の視覚的外観ではなく幾何学的不変量をアンカーするマルチモーダル検出フレームワークを提案する。 60以上の国にまたがるデータセットと2500時間以上の運転データに対する大規模な評価は、提案したパイプラインがオブジェクトミス比(Object Miss Ratio)を達成したことを示している。
  論文  参考訳（メタデータ） (2026-08-21T08:51:39Z)
• Vision-Language Work Zone Intelligence for Safety-Critical Speed Regulation of Mixed-Autonomy Vehicles in Dynamic Environments [2.4043325501533652]
  一時的なワークゾーン速度制限は、視覚的に一貫性のないサインによって伝達され、しばしばデジタルマップから欠落する。 我々は、アクティブな作業ゾーンを検出し、関連する一時的速度制限を認識し、法に適応した作業ゾーン状態と速度値を出力するリアルタイムオンボード認識パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-06-07T22:25:56Z)
• Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
  Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。 VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。 3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
  論文  参考訳（メタデータ） (2026-04-23T09:11:50Z)
• RMT-PPAD: Real-time Multi-task Learning for Panoptic Perception in Autonomous Driving [18.945598464194607]
  RMT-PPADはリアルタイムトランスフォーマーベースのマルチタスクモデルである。 オブジェクト検出、ドライビング可能なエリアセグメンテーション、レーンラインセグメンテーションを共同で行う。 その結果,RTT-PPADは安定した性能が得られた。
  論文  参考訳（メタデータ） (2025-08-02T16:34:24Z)
• Respond to Change with Constancy: Instruction-tuning with LLM for Non-I.I.D. Network Traffic Classification [17.134758794735678]
  LLM(ETooL)を用いた暗号化トラフィックアウトオブディストリビューションインストラクションチューニングという,新しいトラフィック表現モデルを提案する。 ETooLは、自己教師型命令チューニングパラダイムを通じて、交通構造に関する知識とLLMを統合している。 教師付きおよびゼロショットのトラフィック分類タスクにおいて、より堅牢な分類性能と優れた一般化を示す。
  論文  参考訳（メタデータ） (2025-05-27T08:18:16Z)
• Advancing Autonomous Vehicle Intelligence: Deep Learning and Multimodal LLM for Traffic Sign Recognition and Robust Lane Detection [11.743721109110792]
  本稿では,先進的な深層学習技術とマルチモーダル大規模言語モデル(MLLM)を組み合わせた総合的な道路認識手法を提案する。 交通信号認識では,ResNet-50,Yv8,RT-DETRを評価し,ResNet-50で99.8%,YOLOv8で98.0%,RT-DETRで96.6%の精度を達成した。 車線検出のために,曲線フィッティングにより強化されたCNNに基づくセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2025-03-08T19:12:36Z)
• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)
• Binary DAD-Net: Binarized Driveable Area Detection Network for Autonomous Driving [94.40107679615618]
  本稿では,二項化駆動型領域検出ネットワーク(バイナリDAD-Net)を提案する。 エンコーダ、ボトルネック、デコーダ部分の2重みとアクティベーションのみを使用する。 パブリックデータセット上で、最先端のセマンティックセグメンテーションネットワークより優れています。
  論文  参考訳（メタデータ） (2020-06-15T07:09:01Z)

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。