文献

J-GLOBAL ID：202402260120895210   整理番号：24A2431561

ストリーミングフロー:ニューラル常微分方程式を介した非同期マルチモーダルデータストリームを用いたストリーミング占有率予測【JST機械翻訳】

StreamingFlow: Streaming Occupancy Forecasting with Asynchronous Multi-modal Data Streams via Neural Ordinary Differential Equation

著者 (7件)： Shi Yining (School of Vehicle and Mobility, Tsinghua University) ,  Jiang Kun (School of Vehicle and Mobility, Tsinghua University) ,  Wang Ke (KargoBot, Inc) ,  Li Jiusi (School of Vehicle and Mobility, Tsinghua University) ,  Wang Yunlong (School of Vehicle and Mobility, Tsinghua University) ,  Yang Mengmeng (School of Vehicle and Mobility, Tsinghua University) ,  Yang Diange (School of Vehicle and Mobility, Tsinghua University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2024  号： CVPR  ページ： 14833-14842  発行年： 2024年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 周囲の環境の将来の占有状態を予測することは,自律運転のための不可欠なタスクである。しかし,現在の最高性能の単一様式法または多重様式融合認識法は,将来の占有状態の均一なスナップショットを予測することができるだけであり,センサ融合のために厳密に同期した感覚データを必要とする。これらの強い制限を解除するために,新しいフレームワーク,StreamingFlowを提案した。StreamingFlowは,融合のために非同期マルチセンサデータストリームを入力し,任意の将来のタイムスタンプで将来の占有マップのストリーミング前キャスティングを行う新しいBEV占有予測子である。リカレントニューラルネットワークにニューラル常微分方程式(N-ODE)を統合することにより,StreamingFlowは時間的水平線上でBEV特徴の微分を学習し,融合プロセスの一部として暗黙的センサのBEV特徴の更新を行い,望ましい将来の時間点に向けてBEV状態を伝搬させる。それは予測の良好なゼロショット一般化能力を示し,観測されていない予測時間地平線の内挿と未知のより遠い未来期間の妥当な推論に反映された。2つの大規模データセット,nuScenes[2]とLyft L5[14]に関する広範な実験は,ストリーミングフローが以前のビジョンベース,LiDARベース手法より著しく優れており,最先端の融合ベース手法と比較して優れた性能を示すことを実証した。Copyright 2024 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST機械翻訳】

シソーラス用語： *常微分方程式 ,  LIDAR ,  内挿法 ,  多重化 ,  センサ ,  *占有率 ,  センサフュージョン ,  *ストリーミング ,  自律性 ,  リカレントニューラルネットワーク
準シソーラス用語： 予測子 ,  タイムスタンプ ,  スナップショット , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 常微分方程式 ,  非同期 ,  ストリーミング ,  占有率 ,  予測