An Investigation of ADAS Camera Performance Degradation Using a Realistic Rain Simulation System in Wind Tunnel
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Modern advances in the technical developments of Advanced Driver Assistance Systems (ADAS) have elevated autonomous vehicle (AV) operations to a new height. Vehicles equipped with sensor based ADAS have been positively contributing to safer roads. As the automotive industry strives for SAE Level 5 full driving autonomy, challenges inevitably arise to ensure ADAS performance and reliability in all driving scenarios, especially in adverse weather conditions, during which ADAS sensors such as optical cameras and LiDARs suffer performance degradation, leading to inaccuracy and inability to provide crucial environmental information for object detection. Currently, the difficulty to simulate realistic and dynamic adverse weather scenarios experienced by vehicles in a controlled environment becomes one of the challenges that hinders further ADAS development. While outdoor testing encounters unpredictable environmental variables, indoor testing methods, such as using spray nozzles in a wind tunnel, are often unrealistic due to the atomization of the spray droplets, causing the droplet size distributions to deviate from real-life conditions. A novel full-scale rain simulation system is developed and implemented into the ACE Climatic Aerodynamic Wind Tunnel at Ontario Tech University with the goal of quantifying ADAS sensor performance when driving in rain. The designed system is capable of recreating a wide range of dynamic rain intensity experienced by the vehicle at different driving speeds, along with the corresponding droplet size distributions. Proposed methods to evaluate optical cameras are discussed, with sample results of object detection performance and image evaluation metrics presented. Additionally, the rain simulation system showcases repeatable testing environments for soiling mitigation developments. It also demonstrates the potential to further broaden the scope of testing, such as training object detection datasets, as well as exploring the possibilities of using artificial intelligence to expand and predict the rain system control strategies and target rain conditions.</div></div>
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».