論文の概要: Are We Ready for Snow-tonomous Driving? Challenges Toward Robust Automated Driving in Extreme Weather
- arxiv url: http://arxiv.org/abs/2611.15217v1
- Date: Wed, 11 Nov 2026 09:10:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.088042
- Title: Are We Ready for Snow-tonomous Driving? Challenges Toward Robust Automated Driving in Extreme Weather
- Title(参考訳): 雪道走行の準備はできているか? 極寒時のロバスト自動走行への挑戦
- Abstract要約: 我々は、EUが出資したHorizon EuropeプロジェクトROADVIEWの知見を提示する。
このプロジェクトの目的は、コネクテッドおよび自動走行車のための堅牢で天候に配慮した認識と制御モジュールを開発することである。
気象に耐性のある自律性の発達を妨げる10つの重要な課題を特定します。
- 参考スコア(独自算出の注目度): 1.4301614244794818
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automated driving has gained remarkable momentum over the past decade, with both industry and academia investing substantial resources in developing perception and control solutions to advance vehicle autonomy. However, these efforts have largely focused on clear-weather scenarios, leaving harsh conditions, such as snow, rain, and fog, comparatively understudied. As a result, inclement weather remains one of the most significant hurdles for autonomous vehicles, often leading to substantial performance degradation in downstream perception and control tasks. In this paper, we present insights from the EU-funded Horizon Europe project ROADVIEW, which aims to develop robust, weather-aware perception and control modules for connected and automated vehicles operating under severe conditions, including snow, rain, and fog. Drawing on four years of large-scale development and real-world demonstrations across multiple vehicle platforms in different locations, we identify ten key challenges that hinder the development of weather-resilient autonomy, including data scarcity, domain shifts, limitations in multimodal perception, control robustness, and validation gaps, among others. We summarize these challenges and lessons learned toward enabling reliable snow-autonomous driving, highlighting critical directions for future research and standardization.
- Abstract(参考訳): 自動車の自動運転は、過去10年間で顕著な勢いを増し、業界と学界の両方が、自動運転車の自律性を促進するための認識と制御ソリューションの開発にかなりのリソースを投資している。
しかしながら、これらの取り組みは、雪、雨、霧といった厳しい状況が比較的過小評価されているまま、晴れた天候のシナリオに主に焦点を合わせてきた。
その結果、不規則な天候は、自動運転車にとって最も重要なハードルの一つであり、しばしば下流の認識と制御タスクのパフォーマンスが著しく低下する。
本稿では, 雪, 雨, 霧などの厳しい条件下で稼働する連結・自動車両に対して, 堅牢で気象に配慮した認識・制御モジュールを開発することを目的とした, EU 支援のHorizon Europe プロジェクト ROADVIEW の知見を紹介する。
データ不足、ドメインシフト、マルチモーダル認識の制限、ロバスト性制御、検証ギャップなどを含む、気象に耐性のある自律性の開発を妨げる10つの重要な課題を特定します。
我々は,これらの課題と,信頼性の高い雪自動運転の実現に向けて学んだ教訓を要約し,今後の研究・標準化に向けた重要な方向性を明らかにする。
関連論文リスト
- Bench2Drive-Robust: Benchmarking Closed-Loop Autonomous Driving under Deployment Perturbations [122.22391796628408]
Bench2Drive-Robustは、クローズドループのエンドツーエンド自動運転のための最初のデバイス中心の堅牢性ベンチマークである。
我々は,カメラストリーム障害,エゴ状態推定誤差,計算による制御遅延という3つの主要な原因から生じる展開指向の摂動を系統的に評価した。
以上の結果から,これらの展開に伴う摂動は閉ループ駆動性能を著しく低下させる可能性が示唆された。
論文 参考訳(メタデータ) (2026-05-18T08:45:24Z) - UAV-based Intelligent Information Systems on Winter Road Safety for Autonomous Vehicles [2.1985100893513834]
限られた車線幅は、道路の容量を減らし、自動運転車による深刻な事故のリスクを高めることができる。
本研究では,無人航空機と自律走行車の観点から道路幅を区分し,推定するモデルを提案する。
提案するアプローチは、自動運転車に最新かつ正確な洞察を与え、冬の風景における適応性と意思決定能力を高めるために必要である。
論文 参考訳(メタデータ) (2024-06-18T07:53:37Z) - Real-Time Environment Condition Classification for Autonomous Vehicles [3.8514288339458718]
我々は、屋外の天気と危険な道路状況を特定するために、ディープラーニングモデルを訓練する。
我々は、最先端の悪天候データセットに改良された分類とラベル階層を導入することで、これを実現する。
我々は、単一のRGBフレームから環境条件を分類するためのディープラーニングモデルであるRECNetを訓練する。
論文 参考訳(メタデータ) (2024-05-29T17:29:55Z) - The RoboDrive Challenge: Drive Anytime Anywhere in Any Condition [136.32656319458158]
2024年のRoboDrive Challengeは、駆動認識技術の発展を促進するために作られた。
今年の挑戦は5つの異なるトラックで構成され、11カ国の93の機関から140の登録チームが集まった。
競争は15の最高パフォーマンスのソリューションで頂点に達した。
論文 参考訳(メタデータ) (2024-05-14T17:59:57Z) - WATonoBus: Field-Tested All-Weather Autonomous Shuttle Technology [8.815412946998475]
全天候の自動運転車の運用は、知覚や意思決定から経路計画や制御までモジュールを包含する、重大な課題を生んでいる。
認識レベルを越えた悪天候を考慮したマルチモジュール・モジュールシステムアーキテクチャを提案する。
提案手法は,悪天候に対処し,手術中に観測されたエッジケースから貴重な知見を提供する。
論文 参考訳(メタデータ) (2023-12-01T21:36:14Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳(メタデータ) (2022-06-28T17:08:31Z) - SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain
Adaptation [152.60469768559878]
ShiFTは、自動運転のための最大規模のマルチタスク合成データセットである。
曇り、雨と霧の強さ、昼の時間、車と歩行者の密度を個別に連続的に変化させる。
私たちのデータセットとベンチマークツールキットはwww.vis.xyz/shift.comで公開されています。
論文 参考訳(メタデータ) (2022-06-16T17:59:52Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳(メタデータ) (2021-09-03T13:33:33Z) - Multimodal End-to-End Learning for Autonomous Steering in Adverse Road
and Weather Conditions [0.0]
自動ステアリングにおけるエンド・ツー・エンドの学習に関するこれまでの研究を,マルチモーダルデータを用いた有害な実生活環境での運用に拡張する。
道路および気象条件下で28時間の運転データを収集し,車両のハンドル角度を予測するために畳み込みニューラルネットワークを訓練した。
論文 参考訳(メタデータ) (2020-10-28T12:38:41Z) - Probabilistic End-to-End Vehicle Navigation in Complex Dynamic
Environments with Multimodal Sensor Fusion [16.018962965273495]
全日と全天候のナビゲーションは、自動運転にとって重要な機能である。
本稿では,カメラ,ライダー,レーダからの情報を利用して,触覚能力を備えた確率的運転モデルを提案する。
その結果,提案モデルがベースラインを上回り,目に見えない環境での優れた一般化性能を実現することが示唆された。
論文 参考訳(メタデータ) (2020-05-05T03:48:10Z)
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。