論文の概要: Map-Enhanced Ego-Lane Detection in the Missing Feature Scenarios
- arxiv url: http://arxiv.org/abs/2004.01101v2
- Date: Sat, 4 Apr 2020 10:50:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 12:57:30.939579
- Title: Map-Enhanced Ego-Lane Detection in the Missing Feature Scenarios
- Title（参考訳）: 欠席シナリオにおける地図強調エゴレーン検出
- Authors: Xiaoliang Wang, Yeqiang Qian, Chunxiang Wang, and Ming Yang
- Abstract要約: 本稿では,検出アルゴリズムの性能向上に優れた,デジタル地図に含まれる事前知識を活用する。
このようにして、路面形状と実車線の位置誤差を除去するためには、少数の車線特徴しか必要としない。
実験の結果,提案手法は様々なシナリオに適用可能であり,20Hzの周波数でリアルタイムに動作可能であることがわかった。
- 参考スコア（独自算出の注目度）: 26.016292792373815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As one of the most important tasks in autonomous driving systems, ego-lane
detection has been extensively studied and has achieved impressive results in
many scenarios. However, ego-lane detection in the missing feature scenarios is
still an unsolved problem. To address this problem, previous methods have been
devoted to proposing more complicated feature extraction algorithms, but they
are very time-consuming and cannot deal with extreme scenarios. Different from
others, this paper exploits prior knowledge contained in digital maps, which
has a strong capability to enhance the performance of detection algorithms.
Specifically, we employ the road shape extracted from OpenStreetMap as lane
model, which is highly consistent with the real lane shape and irrelevant to
lane features. In this way, only a few lane features are needed to eliminate
the position error between the road shape and the real lane, and a search-based
optimization algorithm is proposed. Experiments show that the proposed method
can be applied to various scenarios and can run in real-time at a frequency of
20 Hz. At the same time, we evaluated the proposed method on the public KITTI
Lane dataset where it achieves state-of-the-art performance. Moreover, our code
will be open source after publication.
- Abstract（参考訳）: 自律走行システムにおける最も重要なタスクの1つとして、エゴレーン検出が広く研究され、多くのシナリオにおいて目覚ましい成果を上げている。
しかし、機能不足のシナリオにおけるego-lane検出は未解決の問題である。
この問題に対処するため、従来の手法はより複雑な特徴抽出アルゴリズムを提案してきたが、非常に時間がかかり、極端なシナリオには対処できない。
他と異なり,本論文では,検出アルゴリズムの性能向上に優れた,デジタルマップに含まれる事前知識を活用している。
具体的には,OpenStreetMapから抽出した道路形状をレーンモデルとし,実際の車線形状と高い整合性を持ち,車線特性とは無関係であることを示す。
このようにして、路面形状と実車線の位置誤差を除去するためには、少数の車線特徴しか必要とせず、探索に基づく最適化アルゴリズムが提案されている。
実験の結果,提案手法は様々なシナリオに適用可能であり,20Hzの周波数でリアルタイムに動作可能であることがわかった。
同時に,提案手法を公開kitti laneデータセット上で評価し,最新性能を得た。
さらに、コードは公開後にオープンソースになります。
関連論文リスト
- Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
車線検出は自律運転認識システムにおいて重要な役割を果たす。
ディープラーニングアルゴリズムが普及するにつれて、ディープラーニングに基づく単眼車線検出手法が優れた性能を示した。
本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
論文 参考訳（メタデータ） (2024-11-25T12:09:43Z) - Attention-based U-Net Method for Autonomous Lane Detection [0.5461938536945723]
本研究では,ディープラーニングに基づく2つのレーン認識手法を提案する。
最初の方法はFPN(Feature Pyramid Network)モデルを用いており、道路車線検出の精度は87.59%である。
注意層をU-Netモデルに組み込んだ第2の手法はセマンティックセグメンテーションタスクの性能を大幅に向上させる。
論文 参考訳（メタデータ） (2024-11-16T22:20:11Z) - Sketch and Refine: Towards Fast and Accurate Lane Detection [69.63287721343907]
レーン検出は、現実世界のシナリオの複雑さのため、困難なタスクである。
提案ベースであれキーポイントベースであれ,既存のアプローチでは,車線を効果的かつ効率的に表現することができない。
本稿では,キーポイント法と提案法の両方のメリットを活かした"Sketch-and-Refine"パラダイムを提案する。
実験の結果、我々のSRLaneは高速(278 FPS)で走ることができ、F1スコアは78.9%であることがわかった。
論文 参考訳（メタデータ） (2024-01-26T09:28:14Z) - RCLane: Relay Chain Prediction for Lane Detection [76.62424079494285]
本稿では,リレーチェーン予測に基づく車線検出手法を提案する。
当社の戦略では,TuSimple,CULane,CurveLanes,LLAMASの4つの主要なベンチマーク上で,最先端の新たなベンチマークを確立することが可能です。
論文 参考訳（メタデータ） (2022-07-19T16:48:39Z) - A Metaheuristic Algorithm for Large Maximum Weight Independent Set
Problems [58.348679046591265]
ノード重み付きグラフが与えられたとき、ノード重みが最大となる独立した(相互に非隣接な)ノードの集合を見つける。
このアプリケーションで放送されるグラフの中には、数十万のノードと数億のエッジを持つ大きなものもあります。
我々は,不規則なランダム化適応検索フレームワークにおいてメタヒューリスティックな新しい局所探索アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-03-28T21:34:16Z) - Lane Detection with Versatile AtrousFormer and Local Semantic Guidance [92.83267435275802]
車線検出は自動運転における中核機能の一つである。
既存のほとんどの手法はCNNベースの手法に頼っている。
本稿では,この問題を解決するためにAtrous Transformer (AtrousFormer)を提案する。
論文 参考訳（メタデータ） (2022-03-08T13:25:35Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - SUPER: A Novel Lane Detection System [26.417172945374364]
本研究では,Scene Understanding Physics-Enhanced Real-time (SUPER)アルゴリズムと呼ばれるリアルタイムレーン検出システムを提案する。
我々は、Cityscapes、Vistas、Apolloの異種データを用いて提案システムを訓練し、4つの完全に独立したデータセットのパフォーマンスを評価する。
予備試験の結果,Mobileyeと比較して実車線検出性能は有望であった。
論文 参考訳（メタデータ） (2020-05-14T21:40:39Z) - PolyLaneNet: Lane Estimation via Deep Polynomial Regression [9.574421369309949]
車両に搭載された前方カメラの画像を用いた車線検出手法を提案する。
提案手法はTuSimpleデータセットの既存の最先端手法と競合することが示されている。
ソースコードとトレーニングされたモデルを提供して、他の人がこの論文に示したすべての結果を再現できるようにします。
論文 参考訳（メタデータ） (2020-04-23T01:23:02Z) - Vehicle Ego-Lane Estimation with Sensor Failure Modeling [6.0591945552030735]
高速道路のようなシナリオに対する確率的エゴレーン推定アルゴリズムを提案する。
このコントリビューションは、過渡的障害モデルを備えた隠れマルコフモデル(HMM)に依存します。
このアルゴリズムの有効性は、異なる線検出器を用いて証明される。
論文 参考訳（メタデータ） (2020-02-05T18:32:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。