論文の概要: Where can I drive? A System Approach: Deep Ego Corridor Estimation for Robust Automated Driving

• arxiv url: http://arxiv.org/abs/2004.07639v2
• Date: Thu, 24 Jun 2021 11:59:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 21:46:07.647632
• Title: Where can I drive? A System Approach: Deep Ego Corridor Estimation for Robust Automated Driving
• Title（参考訳）: どこで運転できますか。 システムアプローチ:ロバスト自動運転のためのディープエゴ補正器推定
• Authors: Thomas Michalke, Di Feng, Claudius Gl\"aser, and Fabian Timm
• Abstract要約: 本稿では, 深層学習手法を用いて, エゴレーンの乾燥可能な廊下をピクセルレベルで具体的に分類することを提案する。 当社のアプローチは, 大規模製品に適用可能なパラメータがわずか0.66万で, 計算効率を保っている。
• 参考スコア（独自算出の注目度）: 2.378161932344701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lane detection is an essential part of the perception sub-architecture of any automated driving (AD) or advanced driver assistance system (ADAS). When focusing on low-cost, large scale products for automated driving, model-driven approaches for the detection of lane markings have proven good performance. More recently, data-driven approaches have been proposed that target the drivable area / freespace mainly in inner-city applications. Focus of these approaches is less on lane-based driving due to the fact that the lane concept does not fully apply in unstructured, residential inner-city environments. So-far the concept of drivable area is seldom used for highway and inter-urban applications due to the specific requirements of these scenarios that require clear lane associations of all traffic participants. We believe that lane-based, mapless driving in inter-urban and highway scenarios is still not fully handled with sufficient robustness and availability. Especially for challenging weather situations such as heavy rain, fog, low-standing sun, darkness or reflections in puddles, the mapless detection of lane markings decreases significantly or completely fails. We see potential in applying specifically designed data-driven freespace approaches in more lane-based driving applications for highways and inter-urban use. Therefore, we propose to classify specifically a drivable corridor of the ego lane on pixel level with a deep learning approach. Our approach is kept computationally efficient with only 0.66 million parameters allowing its application in large scale products. Thus, we were able to easily integrate into an online AD system of a test vehicle. We demonstrate the performance of our approach under challenging conditions qualitatively and quantitatively in comparison to a state-of-the-art model-driven approach.
• Abstract（参考訳）: レーン検出は、自動運転(AD)または先進運転支援システム(ADAS)の知覚サブアーキテクチャの重要な部分である。 自動運転のための低コストで大規模製品にフォーカスする場合、車線マーキング検出のためのモデル駆動アプローチは良い性能を示している。 最近では、主に都市内アプリケーションにおいて、drivable area / freespaceをターゲットにしたデータ駆動アプローチが提案されている。 これらのアプローチの焦点は、車線の概念が非構造的な住宅内都市環境に完全に適用されないという事実から、車線に基づく運転よりも少ない。 このように、乾燥可能な地域の概念は、すべての交通参加者の明確な車線関連を必要とするこれらのシナリオの特定の要求のために、高速道路や都市間アプリケーションにはほとんど使われない。 都市間および高速道路のシナリオにおけるレーンベースで地図のない運転は、十分な堅牢性と可用性で完全には処理されていないと我々は信じている。 特に、豪雨、霧、低照度太陽、水たまりの暗さ、反射などの困難な気象状況では、地図無しでレーンマーキングを検出することは著しく減少する。 高速道路や都市間利用のためのレーンベースの運転アプリケーションにおいて、特別に設計されたデータ駆動自由空間アプローチを適用する可能性を見出している。 そこで本研究では,egoレーンの乾燥可能な回廊を,ディープラーニングを用いてピクセルレベルに分類する。 提案手法は計算効率が良く, 大規模製品に適用可能なパラメータはわずか0.66mである。 そこで我々は,テスト車両のオンラインADシステムに容易に統合することができた。 現状のモデル駆動手法と比較して,挑戦的条件下でのアプローチの性能を質的,定量的に示す。

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)
• Enhancing Roadway Safety: LiDAR-based Tree Clearance Analysis [0.2877502288155167]
  木やその他の植生は道路上に成長しており、交通標識や照明の視界を遮り、交通参加者に危険を及ぼす。 そこでLiDARの技術が活躍する。レーザースキャナーは3次元の視点を明らかにする。 街路で成長し、トリミングする必要がある木々のこれらの部分を自動的に検出する新しいポイントクラウドアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-28T13:08:46Z)
• MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
  本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。 評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
  論文  参考訳（メタデータ） (2023-10-08T21:32:30Z)
• A Reinforcement Learning-based Adaptive Control Model for Future Street Planning, An Algorithm and A Case Study [3.5368898558786768]
  インテリジェントストリートは、道路利用者のための道路右翼(ROW)における意思決定を学習し、改善することができる。 我々は,マルチエージェントのDeep Deterministic Policy Gradient (MADDPG)アルゴリズムに基づくソリューションを開発した。 本モデルでは、路上駐車および車両運転に割り当てられた街路空間において、平均3.87%と6.26%の削減を達成できる。
  論文  参考訳（メタデータ） (2021-12-10T10:32:46Z)
• 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)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)
• Risk-Aware Lane Selection on Highway with Dynamic Obstacles [18.24314781032556]
  コストに配慮したリアルタイムレーン選択アルゴリズムとモジュール設計を提案します。 アルゴリズムは、連続時間と空間領域の下で他の車両の不確定な動的位置を評価する検索ベースの最適化方法です。
  論文  参考訳（メタデータ） (2021-04-08T22:54:27Z)
• Convolutional Recurrent Network for Road Boundary Extraction [99.55522995570063]
  我々は,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。 我々は,完全畳み込みネットワークが道路境界の位置と方向をエンコードする深い特徴量を得る構造化モデルを設計する。 北米の大都市において,道路境界の完全なトポロジを99.3%の時間で得られる方法の有効性を示す。
  論文  参考訳（メタデータ） (2020-12-21T18:59:12Z)
• Real-Time Lane ID Estimation Using Recurrent Neural Networks With Dual Convention [0.0]
  両左利きコンベンションに基づく視覚のみの解法(モノクラーカメラ)を提案する。 極端な条件と異なる経路を持つ挑戦的なテストセットで95%以上の精度を達成する。
  論文  参考訳（メタデータ） (2020-01-14T10:52:30Z)
• Multi-lane Detection Using Instance Segmentation and Attentive Voting [0.0]
  本稿では,精度と速度の両面で技術手法の状態を上回り,マルチレーン検出のための新しい手法を提案する。 54.53 fps(平均)で走行する車線分割精度99.87%を得ることができる。
  論文  参考訳（メタデータ） (2020-01-01T16:48:42Z)

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。