Self-Supervised Learning of Camera-based Drivable Surface Friction
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F21%3A00353565" target="_blank" >RIV/68407700:21230/21:00353565 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/ITSC48978.2021.9564894" target="_blank" >http://dx.doi.org/10.1109/ITSC48978.2021.9564894</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/ITSC48978.2021.9564894" target="_blank" >10.1109/ITSC48978.2021.9564894</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Self-Supervised Learning of Camera-based Drivable Surface Friction
Popis výsledku v původním jazyce
The visual predictor of a drivable surface friction ahead of the vehicle is presented. The image recognition neural network is trained in self-supervised fashion, as an alternative to tedious, error-prone, and subjective human annotation. The training images are labelled automatically by surface friction estimates from vehicle response during ordinary driving. The Unscented Kalman Filter algorithm is used to estimate tire-to-road interface friction parameters, taking into account the highly nonlinear nature of tire dynamics. Finally, the overall toolchain was validated using an experimental subscale platform and real-world driving scenarios. The resulting visual predictor was trained using about 3 000 images and validated on an unseen set of 800 test images, achieving 0.98 crosscorrelation between the visually predicted and the estimated value of surface friction.
Název v anglickém jazyce
Self-Supervised Learning of Camera-based Drivable Surface Friction
Popis výsledku anglicky
The visual predictor of a drivable surface friction ahead of the vehicle is presented. The image recognition neural network is trained in self-supervised fashion, as an alternative to tedious, error-prone, and subjective human annotation. The training images are labelled automatically by surface friction estimates from vehicle response during ordinary driving. The Unscented Kalman Filter algorithm is used to estimate tire-to-road interface friction parameters, taking into account the highly nonlinear nature of tire dynamics. Finally, the overall toolchain was validated using an experimental subscale platform and real-world driving scenarios. The resulting visual predictor was trained using about 3 000 images and validated on an unseen set of 800 test images, achieving 0.98 crosscorrelation between the visually predicted and the estimated value of surface friction.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20204 - Robotics and automatic control
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2021
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
ITSC 2021: IEEE Conference on Intelligent Transportation Systems
ISBN
978-1-7281-9142-3
ISSN
—
e-ISSN
—
Počet stran výsledku
8
Strana od-do
2773-2780
Název nakladatele
IEEE
Místo vydání
Piscataway
Místo konání akce
Indianapolis
Datum konání akce
19. 9. 2021
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—