論文の概要: LaNet: Real-time Lane Identification by Learning Road SurfaceCharacteristics from Accelerometer Data

• arxiv url: http://arxiv.org/abs/2004.02822v1
• Date: Mon, 6 Apr 2020 17:09:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 07:13:46.433473
• Title: LaNet: Real-time Lane Identification by Learning Road SurfaceCharacteristics from Accelerometer Data
• Title（参考訳）: LaNet: 加速度センサデータによる道路表面特性の学習によるリアルタイムレーン識別
• Authors: Madhumitha Harishankar, Jun Han, Sai Vineeth Kalluru Srinivas, Faisal Alqarni, Shi Su, Shijia Pan, Hae Young Noh, Pei Zhang, Marco Gruteser, Patrick Tague
• Abstract要約: 我々は,車線車両が乗っている車線を周期的に分類し,LSTMニューラルネットワークモデルであるLaNetを開発した。 LaNetは、路面イベント(バンプ、ひび割れなど)のレーン固有のシーケンスを学習し、200mの運転データで100%レーン分類精度を得る。
• 参考スコア（独自算出の注目度）: 12.334058883768977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The resolution of GPS measurements, especially in urban areas, is insufficient for identifying a vehicle's lane. In this work, we develop a deep LSTM neural network model LaNet that determines the lane vehicles are on by periodically classifying accelerometer samples collected by vehicles as they drive in real time. Our key finding is that even adjacent patches of road surfaces contain characteristics that are sufficiently unique to differentiate between lanes, i.e., roads inherently exhibit differing bumps, cracks, potholes, and surface unevenness. Cars can capture this road surface information as they drive using inexpensive, easy-to-install accelerometers that increasingly come fitted in cars and can be accessed via the CAN-bus. We collect an aggregate of 60 km driving data and synthesize more based on this that capture factors such as variable driving speed, vehicle suspensions, and accelerometer noise. Our formulated LSTM-based deep learning model, LaNet, learns lane-specific sequences of road surface events (bumps, cracks etc.) and yields 100% lane classification accuracy with 200 meters of driving data, achieving over 90% with just 100 m (correspondingly to roughly one minute of driving). We design the LaNet model to be practical for use in real-time lane classification and show with extensive experiments that LaNet yields high classification accuracy even on smooth roads, on large multi-lane roads, and on drives with frequent lane changes. Since different road surfaces have different inherent characteristics or entropy, we excavate our neural network model and discover a mechanism to easily characterize the achievable classification accuracies in a road over various driving distances by training the model just once. We present LaNet as a low-cost, easily deployable and highly accurate way to achieve fine-grained lane identification.
• Abstract（参考訳）: GPSの解像度は、特に都市部では、車両の車線を特定するには不十分である。 本研究では,車両がリアルタイムで走行中に収集した加速度計のサンプルを定期的に分類し,車線車両の走行を判断するディープlstmニューラルネットワークモデル lanetを開発した。 我々の重要な発見は、隣接する道路面のパッチでさえ、レーンの区別に十分な特徴、すなわち本質的に異なるバンプ、クラック、ポットホール、表面の凹凸を示す特徴を含むことである。 車は、車に搭載され、CANバスを介してアクセス可能な、安価で簡単に装着できる加速度計を使って、この道路表面情報をキャプチャすることができる。 我々は60kmの走行データを収集し、変動駆動速度、車両サスペンション、加速度センサノイズなどの要因を捕捉するデータに基づいてさらに合成する。 開発したlstmベースのディープラーニングモデルである lanet は,道路表面イベント(バンプ,クラックなど)のレーン固有シーケンスを学習し,200mの駆動データで100%レーン識別精度を生み出し,わずか100mで90%以上を達成した(約1分程度)。 我々は,LaNetモデルをリアルタイム車線分類において実用的に設計し,スムーズな道路,大規模多車線道路,頻繁な車線変更を伴うドライブでも高い分類精度が得られることを示す。 異なる道路表面は固有特性やエントロピーが異なるため、ニューラルネットワークモデルを発掘し、モデルを1回だけトレーニングすることで、様々な走行距離にわたる道路における達成可能な分類精度を容易に特徴付けるメカニズムを見出した。 我々は、LaNetを低コストで、容易にデプロイでき、高精度で、きめ細かいレーン識別を実現する方法として提示する。

関連論文リスト

• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• RoadRunner M&M -- Learning Multi-range Multi-resolution Traversability Maps for Autonomous Off-road Navigation [12.835198004089385]
  RoadRunner (M&M) はエンドツーエンドの学習ベースのフレームワークで、さまざまな範囲のトレーバービリティと標高マップを直接予測する。 RoadRunner M&Mは、標高マッピングで最大50%の大幅な改善と、RoadRunner上でのトラバーサビリティ推定で30%の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2024-09-17T07:21:03Z)
• Leveraging GNSS and Onboard Visual Data from Consumer Vehicles for Robust Road Network Estimation [18.236615392921273]
  本稿では,自動運転車における道路グラフ構築の課題について述べる。 本稿では,これらの標準センサから取得したグローバルナビゲーション衛星システム(GNSS)のトレースと基本画像データについて提案する。 我々は、畳み込みニューラルネットワークを用いて、道路中心のセマンティックセグメンテーションタスクとして問題をフレーミングすることで、データの空間情報を利用する。
  論文  参考訳（メタデータ） (2024-08-03T02:57:37Z)
• FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
  本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。 我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。 結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
  論文  参考訳（メタデータ） (2023-04-19T17:33:47Z)
• Lane-GNN: Integrating GNN for Predicting Drivers' Lane Change Intention [5.23886447414886]
  本研究では,道路セグメントレベルにおいて,人気のあるモビリティシミュレータSUMOが生成する交通流データにグラフモデリングを適用した。 提案手法を用いて,車線変更検出の性能評価を行った。 実験の結果,提案したレーン-GNNは運転者の車線変更意図を90秒以内に99.42%の精度で検出できることがわかった。
  論文  参考訳（メタデータ） (2022-07-02T12:53:56Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• METEOR: A Massive Dense & Heterogeneous Behavior Dataset for Autonomous Driving [42.69638782267657]
  本稿では、インドにおける非構造化シナリオにおけるトラフィックパターンをキャプチャする、新しい複雑なトラフィックデータセットMETEORを提案する。 METEORは1000分以上のビデオクリップと、エゴ車軌道を持つ200万以上の注釈付きフレームと、周囲の車両や交通機関のための1300万以上のバウンディングボックスで構成されている。 我々は,オブジェクト検出と行動予測アルゴリズムの性能を評価するために,新しいデータセットを用いた。
  論文  参考訳（メタデータ） (2021-09-16T01:01:55Z)
• Universal Embeddings for Spatio-Temporal Tagging of Self-Driving Logs [72.67604044776662]
  我々は、生のセンサデータから、自動運転シーンの時間的タグ付けの問題に取り組む。 提案手法では,全てのタグに対する普遍的な埋め込みを学習し,多くの属性を効率的にタグ付けし,限られたデータで新しい属性を高速に学習する。
  論文  参考訳（メタデータ） (2020-11-12T02:18:16Z)
• Lane detection in complex scenes based on end-to-end neural network [10.955885950313103]
  レーン検出は、無人運転における導出可能な領域の分割を解決するための鍵となる問題である。 様々な複雑なシーンにおける車線検出のためのエンド・ツー・エンドネットワークを提案する。 我々のネットワークはCULaneデータベース上でテストされ、IOU閾値0.5のF1測定値は71.9%に達する。
  論文  参考訳（メタデータ） (2020-10-26T08:46:35Z)
• CurveLane-NAS: Unifying Lane-Sensitive Architecture Search and Adaptive Point Blending [102.98909328368481]
  CurveLane-NASは、レーンに敏感なアーキテクチャ検索フレームワークである。 長距離コヒーレントと正確な短距離曲線情報の両方をキャプチャする。 点ブレンディングによる曲線線予測において、アーキテクチャ探索と後処理の両方を統一する。
  論文  参考訳（メタデータ） (2020-07-23T17:23:26Z)

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。