aUToTrack: A Lightweight Object Detection and Tracking System for the\n SAE AutoDrive Challenge
Notice bibliographique
Résumé
The University of Toronto is one of eight teams competing in the SAE\nAutoDrive Challenge -- a competition to develop a self-driving car by 2020.\nAfter placing first at the Year 1 challenge, we are headed to MCity in June\n2019 for the second challenge. There, we will interact with pedestrians,\ncyclists, and cars. For safe operation, it is critical to have an accurate\nestimate of the position of all objects surrounding the vehicle. The\ncontributions of this work are twofold: First, we present a new object\ndetection and tracking dataset (UofTPed50), which uses GPS to ground truth the\nposition and velocity of a pedestrian. To our knowledge, a dataset of this type\nfor pedestrians has not been shown in the literature before. Second, we present\na lightweight object detection and tracking system (aUToTrack) that uses\nvision, LIDAR, and GPS/IMU positioning to achieve state-of-the-art performance\non the KITTI Object Tracking benchmark. We show that aUToTrack accurately\nestimates the position and velocity of pedestrians, in real-time, using CPUs\nonly. aUToTrack has been tested in closed-loop experiments on a real\nself-driving car, and we demonstrate its performance on our dataset.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,019 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».