Roadside Fisheye Vision for Cooperative Perception in V2I-Assisted Automated Driving
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Precise road object perception and localization are crucial for autonomous vehicle navigation, yet onboard sensors occasionally encounter challenges with occlusions and blind spots, particularly at intersections. One potential solution is to use stationary sensors at intersections, which can enhance the perceptual capabilities of connected automated vehicles (CAVs) by leveraging vehicle-to-infrastructure (V2I) communication. In this context, this paper introduces an innovative perception and localization algorithm utilizing a stationary overhead fisheye camera installed at intersections. Addressing challenges inherent in overhead fisheye perspectives, a fine-tuning technique is employed to optimize detection performance for overhead traffic scenes. A novel camera calibration method is introduced to minimize localization inaccuracies derived from variations in road surface elevation. Road object dimensions are estimated for accurate localization and mapping in the birdeye view (BEV) map by fitting predefined 3D boxes in the real-world coordinate system. This is achieved by tracking and estimating object heading using the extended Kalman filter with the constant turn rate and velocity (CTRV) model. The proposed algorithm achieves remarkable localization accuracy, with a mean absolute error of 31 cm for pedestrians and 76 cm for cars, even at intersections with sloped roads. Experimental evaluations underscore the algorithms practical potential as a component for V2I-based cooperative perception and road safety warning systems.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle