Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

SKGE-SWIN: Predicción y navegación de puntos de referencia para vehículos autónomos de extremo a extremo mediante el transformador Swin de salto de etapa

Created by
  • Haebom

Autor

Fachri Najm Noer Kartiman, Rasim, Yaya Wihardi, Nurul Hasanah, Oskar Natan, Bambang Wahono, Taufik Ibnu Salim

Describir

Este estudio se centra en el desarrollo de un modelo integral de conducción autónoma que considera la interacción contextual entre píxeles y propone la arquitectura SKGE-Swin. SKGE-Swin utiliza el Transformador Swin, que aprovecha un mecanismo de salto de etapa, para expandir las representaciones de características a través de múltiples niveles de red y globalmente. Aprovechando el mecanismo de Autoatención Multicabezal Basada en Ventana Desplazada (SW-MSA) del Transformador Swin, extrae información de píxeles distantes y retiene información importante desde la etapa inicial hasta la final, mejorando la capacidad de comprender patrones complejos en el entorno circundante. Utilizando escenarios adversarios en la plataforma CARLA, simulamos y evaluamos entornos reales, obteniendo puntuaciones de conducción superiores a las de los métodos existentes. Además, realizamos un estudio de ablación para evaluar las contribuciones de cada componente arquitectónico, incluyendo el impacto de las conexiones de salto y el uso del Transformador Swin.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos una nueva arquitectura de modelo de conducción autónoma que considera de manera efectiva el contexto entre píxeles al combinar el transformador Swin y el mecanismo de salto de etapa.
◦
Se demostró un rendimiento de conducción superior a los métodos convencionales en la plataforma CARLA.
◦
El estudio de ablación permite analizar la contribución de cada componente arquitectónico.
•
Limitations:
◦
Evaluación limitada al entorno de simulación CARLA. Se requiere verificación del rendimiento en condiciones reales de carretera.
◦
Faltan detalles sobre los resultados del estudio de ablación.
◦
Se necesita más investigación sobre el rendimiento de la generalización en diferentes entornos y situaciones.
👍
Made with Slashpage