Generic Vehicle Tracking Framework Capable of Handling Occlusions Based on Modified Mixture Particle Filter
원문 초록
Accurate and robust tracking of surrounding road participants plays an important role in autonomous driving. However, there is usually no prior knowledge of the number of tracking targets due to object emergence, object disappearance and false alarms. To overcome this challenge, we propose a generic vehicle tracking framework based on modified mixture particle filter, which can make the number of tracking targets adaptive to real-time observations and track all the vehicles within sensor range simultaneously in a uniform architecture without explicit data association. Each object corresponds to a mixture component whose distribution is non-parametric and approximated by particle hypotheses. Most tracking approaches employ vehicle kinematic models as the prediction model. However, it is hard for these models to make proper predictions when sensor measurements are lost or become low quality due to partial or complete occlusions. Moreover, these models are incapable of forecasting sudden maneuvers. To address these problems, we propose to incorporate learning-based behavioral models instead of pure vehicle kinematic models to realize prediction in the prior update of recursive Bayesian state estimation. Two typical driving scenarios including lane keeping and lane change are demonstrated to verify the effectiveness and accuracy of the proposed framework as well as the advantages of employing learning-based models.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
온보드 센서를 활용한 고유감각적 차량 측위를 위한 물리 정규화 머신러닝
Physics-Regularized Machine Learning for Proprioceptive Vehicle Localization Using Onboard Sensors
정확하고 강건한 측위(localization)는 실제 환경의 자율 이동 시스템에 필수적이다. 관성 측정 장치(IMU) 데이터와 위성 기반 보정 신호를 융합하면 정밀한 차량 자세(pose) 추정이 가능하지만, 신호 중단 시 성능이 크게 저하된다. 최근 연구들은 머신러닝(ML)이 IMU 기반 고유감각적 측위를 향상시킬 수 있음을 보이며, 양산 차량에 기본 탑재된 온보드 센서의 활용 가능성을 강조하고 있다. 본 논문은 측위를 위한 물리 정규화 머신러닝(PRML2, Physics-Regularized Machine Learning for Localization)을 소개한다. PRML2는 칼만 필터링과 데이터 기반 학습의 상호 보완적 강점을 결합하여 온보드 센서만으로 차량 자세를 직접 추정하는 하이브리드 프레임워크이다. PRML2의 핵심은 미분 가능한 칼만 필터를 통한 ML 모델의 엔드-투-엔드 학습으로 구현되는 물리 정규화 학습이다. 이를 통해 차량 운동 모델과의 일관성이 개선되어 측위 정확도와 다양한 주행 조건에서의 일반화 성능이 모두 향상된다. 공개 데이터셋에서 ML 기반 온보드 오도메트리(odometry)의 성능 한계를 평가한 결과, PRML2가 우수한 측위 정확도를 달성하고 실시간 처리 능력을 갖춤을 보인다. 또한 본 연구는 저마찰 조건에서의 차량 측위 연구를 지원하기 위한 새로운 데이터셋을 소개한다. 제안된 프레임워크는 물리 기반 사전 정보(physics-based priors)와 학습을 통합함으로써 센서 성능이 저하된 조건에서도 강건하고 비용 효율적인 차량 측위 솔루션을 제공한다.
Evidential Mamba를 이용한 자기수용적 차량 위치 추정을 위한 불확실성 인식 속도 보정
Uncertainty-Aware Velocity Correction for Proprioceptive Vehicle Localization using Evidential Mamba
GNSS 불가 환경에서의 신뢰할 수 있는 위치 추정은 지능형 차량에 있어 근본적인 과제로 남아 있으며, 관성 항법 시스템(INS)은 외부 보정 없이 무제한으로 누적되는 드리프트 문제를 안고 있다. 기존 접근법들은 전용 인프라, 고가의 외부 센서, 또는 복잡한 다중 센서 융합을 통해 드리프트 보정을 제공하지만, 각각 실용적인 배포 장벽을 수반한다. 본 논문에서는 Mamba를 이용한 에비덴셜 속도 보정(EVC-Mamba)을 제안한다. 이는 추가 하드웨어 없이 차량 탑재 센서 데이터를 IMU 드리프트 보정을 위한 가상 속도 센서로 변환하는 학습 기반 아키텍처이다. Mamba 기반 선택적 상태 공간 모델이 차량 움직임의 시간적 역학을 포착하며, Normal-Inverse-Gamma 분포를 사용하는 에비덴셜 심층 학습(evidential deep learning)이 원칙에 입각한 불확실성 정량화를 제공한다. 이렇게 도출된 불확실성 인식 속도 추정값은 위치 드리프트를 줄이기 위해 오차 상태 확장 칼만 필터(Error-State Extended Kalman Filter)에 가상 보정 측정값으로 통합된다. 실제 차량 데이터에 대한 평가 결과, 제안된 속도 보정을 사용한 관성 항법이 다양한 신호 단절 지속 시간에 걸쳐 전용 외부 속도 센서 대비 10% 이내의 위치 추정 정확도를 달성함을 보였다. 제안된 아키텍처는 엣지 하드웨어에서 40 Hz로 실시간 온보드 배포를 지원하며, 장시간 GNSS 신호 단절 동안 신뢰할 수 있는 위치 추정을 가능하게 한다.
TGA: Two-level Group Attention for Assembly State Detection
Curvilinear-Coordinate-Based Object and Situation Assessment for Highly Automate
Instant NuRec: 주행 장면 시뮬레이션을 위한 피드포워드 3D Gaussian 재구성
Instant NuRec: Feed-Forward 3D Gaussian Reconstruction for Driving Scene Simulation
3D 시뮬레이션 플랫폼은 end-to-end 정책 평가(evaluation)를 가능하게 하여 개발 비용을 줄이고 안전성을 향상시키기 때문에 자율주행에 핵심적이다. 최근 몇 년간 신경 시뮬레이션이 주류가 되었고, NuRec와 같은 방법이 중심적인 역할을 하고 있다. 그러나 이러한 방법들은 여전히 상대적으로 느리고, 일반적으로 장면별 튜닝이 필요하다. 본 연구에서는 단일 순전파(forward pass)로 짧은 다시점(multi-view) 주행 로그를 완전히 시뮬레이션 가능한 3D Gaussian Splatting(3DGS) 세계로 변환하는 피드포워드 신경 재구성 모델인 Instant NuRec를 제안한다. 이 모델은 보정된 카메라 리그의 다시점 입력을 받아 정적 및 동적 3DGS 레이어, 스카이 큐브맵(sky cubemap), 카메라별 ISP 보정으로 구성된 계층적 출력을 생성하며, 3DGUT를 통해 비 핀홀(non-pinhole) 카메라 모델에 대한 네이티브 지원을 제공한다. 이 모델은 10–20초 길이의 다중 카메라 장면을 약 1.5초 만에 재구성하며, Waymo Open 데이터셋에서 평가된 가장 강력한 기준선보다 PSNR이 2.01 dB 높은 성능을 달성한다. Instant NuRec는 NuRec에 깊이 통합되어 있으며, 폐루프(closed-loop) 시뮬레이션을 위해 AlpaSim과 호환된다.
FogDrive: 단계적 안개 조건에서의 인식을 위한 멀티모달 합성 주행 데이터셋
FogDrive: A Multi-Modal Synthetic Driving Dataset for Perception under Graded Fog
토론
이 논문과 연결된 포럼 글이 아직 없습니다.