物体融合2025/6/1arXiv:2506.02554

HiLO: Transformerを用いた自動運転向け高レベル物体融合

HiLO: High-Level Object Fusion for Autonomous Driving using Transformers

自動運転の物体検出において、Transformerベースの高レベル物体融合手法HiLOを提案し、従来のカルマンフィルタ改良版と比較してF1スコアとmIoUを大幅に改善した。

詳しい要約

1. どんなもの？

- 自動運転の環境認識のための sensor fusion 手法の研究 - 特に high-level object fusion に着目 - 従来の Adapted Kalman Filter (AKF) を改良し、transformer ベースの新手法 HiLO を提案 - 計算コストを抑えつつ near-production 車両への適用を狙う - コード・データ・モデルを公開

2. 先行研究と比べてどこがすごい？

- 先行研究は feature-level fusion が主流で高性能だが、複雑さとハードウェア要件が高い - high-level fusion は低計算コストで堅牢だが、従来は Kalman filter などの手法が支配的 - 本研究は AKF を改良し transformer を導入 - F1 score で 25.9 percentage points 改善 - mean IoU で 6.1 percentage points 改善 - 大規模実世界データセットと cross-domain 評価で有効性と汎化性を示す

3. 技術・手法の肝は？

- high-level object fusion の枠組みを採用 - Adapted Kalman Filter (AKF) を改良 - transformer ベースの HiLO を新規提案 - 詳細なアーキテクチャや入力表現は要旨からは不明

4. どうやって有効だと検証した？

- 実験により F1 score と mean IoU の改善を報告 - 新たな大規模実世界データセットで評価 - urban と highway の cross-domain 評価で汎化性を検証 - 具体的なデータセット名や比較対象は要旨からは不明

5. 議論はある？

- feature-level fusion の複雑さ・ハードウェア要件に対する high-level fusion の利点を議論 - near-production 車両への適用可能性に言及 - 限界や失敗事例、計算コストの詳細な議論は要旨からは不明

6. 次に読むべき論文は？

- Adapted Kalman Filter (AKF) の原論文 - transformer ベースの fusion に関する関連研究 - feature-level fusion の代表的手法 - 自動運転の object detection / tracking の定番ベンチマーク論文 - 具体的な参照論文は要旨からは不明

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Timo Osterburg, Franz Albers, Christopher Diehl, Rajesh Pushparaj, Torsten Bertram

分類: cs.RO, cs.AI, cs.CV, cs.LG

原文アブストラクト

The fusion of sensor data is essential for a robust perception of the environment in autonomous driving. Learning-based fusion approaches mainly use feature-level fusion to achieve high performance, but their complexity and hardware requirements limit their applicability in near-production vehicles. High-level fusion methods offer robustness with lower computational requirements. Traditional methods, such as the Kalman filter, dominate this area. This paper modifies the Adapted Kalman Filter (AKF) and proposes a novel transformer-based high-level object fusion method called HiLO. Experimental results demonstrate improvements of $25.9$ percentage points in $\textrm{F}_1$ score and $6.1$ percentage points in mean IoU. Evaluation on a new large-scale real-world dataset demonstrates the effectiveness of the proposed approaches. Their generalizability is further validated by cross-domain evaluation between urban and highway scenarios. Code, data, and models are available at https://github.com/rst-tu-dortmund/HiLO .

arXivで原文を読む →arXiv概要ページ

← 論文一覧