論文の概要: Revisiting Direct Control: A Field Evaluation of Sensor Fusion Efficacy in Teleoperating Full-Scale Autonomous Vehicles via Bird's Eye View
- arxiv url: http://arxiv.org/abs/2610.35630v1
- Date: Mon, 26 Oct 2026 15:41:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:14.058451
- Title: Revisiting Direct Control: A Field Evaluation of Sensor Fusion Efficacy in Teleoperating Full-Scale Autonomous Vehicles via Bird's Eye View
- Title（参考訳）: Revisiting Direct Control:Bird's Eye Viewによるフルスケール自動運転車の遠隔操作におけるセンサフュージョン効果のフィールド評価
- Abstract要約: 自律運転では、ロボット遠隔操作は重要な安全性の低下機構として機能し、システム障害時にオペレーターが直接制御を行う必要がある。
このギャップに対処するため,実車サイズの車を用いて空間データ表現が操作者性能に与える影響を評価した。
- 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: In autonomous driving, robot teleoperation serves as a critical safety fallback mechanism, requiring operators to assume direct control in the event of system failure. While recent research has pivoted toward high-level supervisory control or simulation-based studies, these approaches often fail to capture the physical dynamics and sensory demands of driving a full-scale vehicle. To address this gap, we evaluated the impact of spatial data representation on operator performance using a real car-sized vehicle in a field experiment with $N = 18$ participants. We compared three visualization interfaces: (i) a standard camera feed baseline, with two bird's-eye views (BEV) from (ii) a raw LiDAR point cloud, and (iii) a sensor fusion of LiDAR and camera data streams. Contrary to prior passive observation studies suggesting that sensor-fusion BEV may hinder awareness, our active-control results demonstrate that such representation significantly outperforms the standard LiDAR BEV in perceived usability ($p \leq 0.0001$) and cognitive task load ($p = 0.01$, NASA-TLX score: 34.58/100) while also being significantly better than the Camera-only view ($p = 0.043$). The fused interface also led to statistically significant reductions in task completion time ($p = 0.0461$) and superior usability (SUS: 77.9/100) compared to those of the Camera-only and LiDAR-only views. By synthesizing objective performance data with comprehensive subjective assessments, we demonstrate that BEV fusion maximizes safety margins while minimizing the operator's mental demand. These findings challenge existing teleoperation conventions and provide an empirically validated approach for designing robust remote piloting systems.
- Abstract（参考訳）: 自律運転では、ロボット遠隔操作は、システムの故障時にオペレーターが直接制御する必要がある、重要な安全性のフォールバック機構として機能する。
近年の研究は、ハイレベルな監視制御やシミュレーションベースの研究に向けられているが、これらのアプローチは、フルスケールの車両を運転する際の物理的ダイナミクスや感覚的要求を捉えるのに失敗することが多い。
このギャップに対処するため,実車サイズの車両を用いて,N=18$の参加者を用いたフィールド実験において,空間データ表現が操作者性能に与える影響を評価した。
視覚化インタフェースを3つ比較した。
(i)標準のカメラフィードベースラインで、鳥眼ビュー(BEV)が2つある
(ii)生のLiDAR点雲
三)LiDARとカメラデータストリームのセンサ融合。
センサフュージョンBEVが認識を阻害する可能性を示唆する以前の受動的観察研究とは対照的に、我々のアクティブコントロールの結果は、カメラオンリーのビュー(p = 0.043$)と認知タスクの負荷(p = 0.01$, NASA-TLXスコア: 34.58/100)において、標準のLiDAR BEVよりも著しく優れており、カメラオンリーのビュー(p = 0.043$)よりもはるかに優れていることを示している。
融合インターフェースはまた、カメラのみのビューとLiDARのみのビューと比較して、タスク完了時間(p = 0.0461$)と優れたユーザビリティ(SUS: 77.9/100)を統計的に大幅に削減した。
客観的なパフォーマンスデータを包括的主観的評価で合成することにより、BEV融合はオペレータの精神的要求を最小限に抑えつつ、安全マージンを最大化することを示した。
これらの知見は、既存の遠隔操作の慣行に挑戦し、堅牢な遠隔操縦システムを設計するための実証的なアプローチを提供する。
関連論文リスト
- Non-Contact Vibration-Based Damage Detection of Civil Structures Using a Cost-Effective Autonomous UAV [3.8537494353592634]
本稿では,無人航空機(UAV)を用いた振動による構造損傷検出のための非接触手法を提案する。
振動信号は、視覚に基づくモーショントラッキングを通じてビデオ記録から抽出され、構造劣化を示す自然周波数の変化を特定する。
商用のUAVシステムと比較して,提案プラットフォームは比較的低コストで同等の検査性能を実現する。
論文 参考訳（メタデータ） (2026-05-21T02:37:07Z) - 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) - LiDAR-based End-to-end Temporal Perception for Vehicle-Infrastructure Cooperation [16.465037559349323]
LET-VICはLiDARをベースとした車両・インフラ協調のためのエンド・ツー・エンドトラッキングフレームワークである。
車両とインフラの両面から時間的・空間的な情報を統合するために,時間的自己認識モジュールとVICクロスアテンションモジュールを用いている。
実験により、エンドツーエンドトレーニングにおける多視点視点、時間シーケンス、またはCECの統合は、検出と追跡の両方のパフォーマンスを著しく改善することが示された。
論文 参考訳（メタデータ） (2024-11-22T13:34:29Z) - Common Corruptions for Enhancing and Evaluating Robustness in Air-to-Air Visual Object Detection [17.38974968542393]
本文は,これらの手法の有効性に対するデータ破損の影響を調査し,視覚に基づく深層学習航空機の検出・追跡に寄与する。
これらの破損をAirborne Object Trackingデータセットに適用することにより、空中対空物体検出のためのAOT-Cという最初のベンチマークデータセットを構築しました。
第2の主な貢献は、汚職の程度を増大させる際の性能劣化を調査するため、8ドルの多種多様な物体検出器を含む広範囲な実験的評価を提示することである。
論文 参考訳（メタデータ） (2024-05-10T18:33:25Z) - Better Monocular 3D Detectors with LiDAR from the Past [64.6759926054061]
カメラベースの3D検出器は、画像の奥行きのあいまいさのため、LiDARベースの検出器に比べて性能が劣ることが多い。
本研究では,未ラベルの歴史的LiDARデータを活用することにより,単分子3D検出器の改良を図る。
複数の最先端モデルやデータセットに対して,9.66ミリ秒の追加レイテンシとストレージコストの低い,一貫性と大幅なパフォーマンス向上を示す。
論文 参考訳（メタデータ） (2024-04-08T01:38:43Z) - Radar Enlighten the Dark: Enhancing Low-Visibility Perception for
Automated Vehicles with Camera-Radar Fusion [8.946655323517094]
低視認性条件に対処するために,トランスフォーマーを用いた新しい3次元オブジェクト検出モデル"REDFormer"を提案する。
我々のモデルは、分類と検出精度で最先端(SOTA)モデルより優れている。
論文 参考訳（メタデータ） (2023-05-27T00:47:39Z) - Learning Self-Regularized Adversarial Views for Self-Supervised Vision
Transformers [105.89564687747134]
本稿では,自己監督型視覚変換器のビューを学習するための自己正規化自動拡張手法を提案する。
まず、ビューとネットワークパラメータを同時に学習することで、AutoViewの検索コストをほぼゼロに削減する。
また、自己教師型学習のための強化政策探索空間も提示する。
論文 参考訳（メタデータ） (2022-10-16T06:20:44Z) - Fully Convolutional One-Stage 3D Object Detection on LiDAR Range Images [96.66271207089096]
FCOS-LiDARは、自律走行シーンのLiDAR点雲のための完全な1段式3Dオブジェクト検出器である。
標準的な2Dコンボリューションを持つRVベースの3D検出器は、最先端のBEVベースの検出器と同等の性能を発揮することを示す。
論文 参考訳（メタデータ） (2022-05-27T05:42:16Z) - 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。