論文の概要: Understanding and Repairing Cooperative Perception under Adverse Weather

• arxiv url: http://arxiv.org/abs/2610.35110v1
• Date: Mon, 26 Oct 2026 09:49:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.817354
• Title: Understanding and Repairing Cooperative Perception under Adverse Weather
• Title（参考訳）: 逆気象下における協調知覚の理解と修復
• Abstract要約: 協力的な3D検出器は、LiDARがそれを指している場合でも、車両を見逃すことができる。 我々は、悪天候下でのこの障害を、気象による文脈干渉として研究する。 これは、アノテートされた物体内の全ての点を保存しながら、気象に関連する外的変化がどのように協調的な利益を除去するかを制御した最初の研究である。
• 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: A cooperative 3D detector can miss a vehicle even when the LiDAR points on it remain unchanged. We study this failure under adverse weather as Weather-Induced Context Interference. To our knowledge, this is the first controlled study of how weather-related exterior changes remove cooperative benefits while preserving all points inside annotated objects. Controlled experiments on simulated and real roadside inputs show that exterior loss changes object representations before fusion and removes previously useful assistance. On real inputs, restoring object-neighborhood features recovers 30 of 31 induced failures; three equal-area exterior controls recover none. The failure condition also appears with a second fusion model. These findings motivate Adverse-Weather Cooperative Repair (AWCR), with separate implementations for the available supervision. Point Classifier filters added weather returns in simulation. On real inputs, Local Correction refines candidates and Quality Selection checks them against current measurements, without naturally paired clear/adverse-weather recordings. Candidate tracing shows that correction supplies accurate geometry for some targets that original candidates cannot localize at the evaluation threshold. On natural adverse-weather CoInfra development data, AWCR improves car bird's-eye-view (BEV) AP@0.7 by 4.66 points with V2X-ViT and 5.56 with AttFuse. On simulated V2X-R fog, it improves vehicle BEV AP@0.7 by 4.47 points at a fixed 4,096-candidate budget.
• Abstract（参考訳）: 協力的な3D検出器は、LiDARがそれを指している場合でも、車両を見逃すことができる。 我々は、悪天候下でのこの障害を気象による文脈干渉として研究する。 我々の知る限り、これは気象関連の外的変化がアノテートされた物体の全ての点を保存しながら協調的利益をどのように除去するかを制御した最初の研究である。 シミュレーションおよび実路面入力に関する制御された実験により、外部損失は融合前にオブジェクト表現を変化させ、以前有用であった補助を除去することを示した。 実際の入力では、オブジェクト隣の機能は31の障害のうち30の障害を回復する。 障害状態も第2の融合モデルと共に現れる。 以上より,Adverse-Weather Cooperative repair (AWCR) を施行した。 ポイント分類器フィルタは、シミュレーションで天気予報を追加する。 実際の入力では、Local Correctionは候補を洗練し、Quality Selectionはそれらを自然にペアリングされたクリア/リバースウェザー記録なしで現在の測定値と比較する。 候補追跡は、元の候補が評価しきい値でローカライズできないいくつかのターゲットに対して、補正が正確な幾何を提供することを示している。 自然の悪天候のCoInfra開発データでは、AWCRはV2X-ViTで4.66ポイント、AttFuseで5.56ポイント、BEVでAP@0.7を改善している。 シミュレーションされたV2X-Rフォグでは、車両のBEV AP@0.7を4.47ポイント改善し、予算は4,096人である。

関連論文リスト

• Counterfactual Predictions in Scientific Emulators Without Controlled Experiments [79.60287973965639]
  ReRouteは、科学的な「何」予測をターゲットとするフレームワークである。 本研究では,ReRouteが制御された対流拡散システムにおいて,高精度な対物予測を実現することを示す。 密集した気候・気候の介入について、ReRouteはCO$の厳しい分配シフトの下で、総合的な気候誤差を18.2-31.8%削減する。
  論文  参考訳（メタデータ） (2026-09-30T19:16:07Z)
• A Heterogeneous UAV UGV Methodology for Aerial Tracking of Mini Autonomous Cars [0.10118253437732931]
  本稿では,小型無人地上車両の空中追跡のための不均一なUAV-UGV手法を提案する。 トレーニングフリーなカラーマーカーベースライン,YOLOベースのビジュアルベースライン,UAV--UGV融合方式の3つのアプローチが評価されている。 600回以上のシミュレーションの結果,提案手法は全シナリオにわたってほぼ連続的なトラックカバレッジを実現することが示された。
  論文  参考訳（メタデータ） (2026-09-21T18:20:59Z)
• Boosting Robustness for All-Weather Self-Supervised Depth Estimation in Autonomous Driving [46.17295445504376]
  逆気象条件は画素対応を歪め、自己教師付き損失関数に埋め込まれた仮定に違反する可能性がある。 レーダは悪天候下で広く採用されているセンサであるが、ポイント・オブ・ビュー(POV)におけるレーダーポイントの疎分布は、自己監督型核融合の課題を提起している。 マルチティーラー蒸留とロバストレーダ融合による全天候データを用いた新しい自己学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-07-23T17:11:33Z)
• Benchmarking UAV-based Vehicle Re-Identification under Simulated Weather Conditions [0.5226396748560348]
  UAVベースの車両ReIDは、交通監視、都市監視、公共安全アプリケーションのための有望な技術として登場した。 近年のUAVベースの車両ReIDベンチマークの進歩にもかかわらず、悪天候下での既存手法の堅牢性は十分に研究されていない。 UAVベースの2つのベンチマークにおいて,CLIP-ReID,MSINet,AdaSPの3つの代表的な車両ReID手法の比較検討を行った。
  論文  参考訳（メタデータ） (2026-07-12T05:41:29Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
  本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。 提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-23T15:41:40Z)
• Pseudo-Simulation for Autonomous Driving [66.1981253104508]
  既存の自動運転車(AV)の評価パラダイムは、重大な制限に直面している。 現実世界の評価は、安全上の懸念と現実主義の欠如のためにしばしば困難である。 オープンループ評価は、一般的に複合的なエラーを見落としているメトリクスに依存する。
  論文  参考訳（メタデータ） (2025-06-04T17:57:53Z)
• Robust Single Object Tracking in LiDAR Point Clouds under Adverse Weather Conditions [4.133835011820212]
  LiDAR点雲における3次元物体追跡は、屋外知覚にとって重要な課題である。 現在の3DSOTメソッドの素晴らしいパフォーマンスにもかかわらず、それらをクリーンなデータセットで評価することは、包括的なパフォーマンスを反映していない。 主な障害の1つは、3DSOTの評価のための悪天候ベンチマークの欠如である。
  論文  参考訳（メタデータ） (2025-01-13T08:44:35Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。