[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Amélioration de la prédiction de l'angle de braquage de bout en bout avec les données du bus CAN

Created by
  • Haebom

Auteur

Amit Singh

Contour

Cet article propose une nouvelle méthode pour améliorer la précision de la prédiction de direction de bout en bout des véhicules autonomes. Traditionnellement, les méthodes de fusion de capteurs utilisant des capteurs LiDAR et radar coûteux étaient principalement utilisées, mais dans cet article, nous proposons une fusion de capteurs utilisant des données de bus CAN économiques. Ces données contiennent des informations telles que la vitesse du véhicule, l'angle de braquage et l'accélération, et peuvent améliorer la précision des modèles de vision par ordinateur par fusion avec des données d'image. Les résultats expérimentaux montrent que les modèles utilisant des données de bus CAN réduisent le RMSE de 20 % par rapport aux modèles existants, certains modèles affichant une réduction allant jusqu'à 80 %.

Takeaways, Limitations

Takeaways:
Nous présentons une nouvelle méthode pour améliorer la précision de la prédiction de direction dans les véhicules autonomes en exploitant des données de bus CAN peu coûteuses.
Cela pourrait rendre la technologie de conduite autonome plus accessible économiquement en réduisant le besoin de capteurs LiDAR et radar coûteux.
Nous démontrons expérimentalement que la fusion de données de bus CAN peut réduire considérablement l’erreur de prédiction des modèles de vision par ordinateur.
Limitations:
La fiabilité et la précision des données du bus CAN doivent être vérifiées. Des erreurs ou omissions dans les données peuvent affecter les performances du modèle.
Des évaluations supplémentaires des performances de généralisation pour différents types de véhicules et environnements de conduite sont nécessaires. Les résultats expérimentaux actuels peuvent être limités à des conditions spécifiques.
Des recherches supplémentaires sont nécessaires pour déterminer si des performances améliorées peuvent être obtenues par fusion avec d’autres données de capteurs en plus des données du bus CAN.
👍