論文の概要: Visual Localization for Autonomous Driving: Mapping the Accurate
Location in the City Maze
- arxiv url: http://arxiv.org/abs/2008.05678v3
- Date: Tue, 20 Oct 2020 01:19:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 23:13:57.748656
- Title: Visual Localization for Autonomous Driving: Mapping the Accurate
Location in the City Maze
- Title(参考訳): 自動運転のための視覚定位:都市迷路における正確な位置のマッピング
- Authors: Dongfang Liu, Yiming Cui, Xiaolei Guo, Wei Ding, Baijian Yang, and
Yingjie Chen
- Abstract要約: 視覚的局所化のための新しい特徴投票手法を提案する。
本研究では,提案した特徴投票手法を,最先端の3つの視覚的ローカライゼーションネットワークに実装する。
当社のアプローチは、挑戦的な都市内設定においても、ロバストな位置予測を可能にします。
- 参考スコア(独自算出の注目度): 16.824901952766446
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate localization is a foundational capacity, required for autonomous
vehicles to accomplish other tasks such as navigation or path planning. It is a
common practice for vehicles to use GPS to acquire location information.
However, the application of GPS can result in severe challenges when vehicles
run within the inner city where different kinds of structures may shadow the
GPS signal and lead to inaccurate location results. To address the localization
challenges of urban settings, we propose a novel feature voting technique for
visual localization. Different from the conventional front-view-based method,
our approach employs views from three directions (front, left, and right) and
thus significantly improves the robustness of location prediction. In our work,
we craft the proposed feature voting method into three state-of-the-art visual
localization networks and modify their architectures properly so that they can
be applied for vehicular operation. Extensive field test results indicate that
our approach can predict location robustly even in challenging inner-city
settings. Our research sheds light on using the visual localization approach to
help autonomous vehicles to find accurate location information in a city maze,
within a desirable time constraint.
- Abstract(参考訳): 正確な位置決めは基本的な能力であり、自動運転車がナビゲーションや経路計画などの他のタスクを遂行するのに必要である。
車両はGPSを使って位置情報を取得するのが一般的である。
しかし、GPSの応用は、様々な種類の構造がGPS信号をシャドウイングし、不正確な位置結果をもたらす都市内を車両が走る場合、深刻な問題を引き起こす可能性がある。
都市環境のローカライズ問題に対処するために,視覚的ローカライズのための新しい特徴投票手法を提案する。
従来のフロントビュー方式とは違って,3方向(前,左,右)からの視点を取り入れ,位置予測の堅牢性を大幅に向上させる。
本研究では,提案手法を3つの最先端ビジュアルローカライズネットワークに分割し,それらのアーキテクチャを適切に修正し,車両操作に適用する。
広域フィールドテストの結果,都市内環境に挑戦してもロバストな位置推定が可能であった。
我々の研究は、視覚的ローカライゼーションアプローチを使って、自動運転車が都市迷路の正確な位置情報を望ましい時間制約で見つけるのを助けることに光を当てています。
関連論文リスト
- A Survey on Visual Map Localization Using LiDARs and Cameras [0.0]
視覚マップのローカライゼーションを2段階プロセスとして定義する。
位置認識の段階では、視覚センサ出力とジオタグ付き地図領域の集合とを比較して、地図内の車両の初期位置を決定する。
地図距離定位の段階では、車両が地図を横切りながら追跡され、視界センサの出力と現在の地図の面積を連続的に調整する。
論文 参考訳(メタデータ) (2022-08-05T20:11:18Z) - ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。
学習と計画を統合する学習に基づくアプローチを提案する。
ViKiNGは、画像ベースの学習コントローラを利用できる。
論文 参考訳(メタデータ) (2022-02-23T02:14:23Z) - LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法
提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。
推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
論文 参考訳(メタデータ) (2022-02-01T20:27:46Z) - Semantic Image Alignment for Vehicle Localization [111.59616433224662]
単眼カメラからのセマンティックセグメンテーションを用いた高密度セマンティックマップにおける車両位置推定手法を提案する。
既存の視覚的ローカライゼーションアプローチとは対照的に、システムは追加のキーポイント機能、手作りのローカライゼーションランドマーク抽出器、高価なLiDARセンサーを必要としない。
論文 参考訳(メタデータ) (2021-10-08T14:40:15Z) - Real-time Outdoor Localization Using Radio Maps: A Deep Learning
Approach [59.17191114000146]
LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。
我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
論文 参考訳(メタデータ) (2021-06-23T17:27:04Z) - Localization of Autonomous Vehicles: Proof of Concept for A Computer
Vision Approach [0.0]
本稿では,複雑なハードウェアシステムやカメラがなくても動作する自律走行車(AV)の視覚的ローカライズ手法を提案する。
提案システムは,KITTIデータセットを用いてテストし,車両の最終的な位置を求める際に平均2mの精度を示した。
論文 参考訳(メタデータ) (2021-04-06T21:09:47Z) - Deep Multi-Task Learning for Joint Localization, Perception, and
Prediction [68.50217234419922]
本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。
我々は,認識,予測,局所化を共同で行うシステムの設計を行う。
本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
論文 参考訳(メタデータ) (2021-01-17T17:20:31Z) - AVP-SLAM: Semantic Visual Mapping and Localization for Autonomous
Vehicles in the Parking Lot [10.101500923075633]
我々はロバストなセマンティックな特徴を利用して地図を構築し、駐車場で車両をローカライズする。
我々は4つのサラウンドビューカメラを用いて知覚範囲を拡大する。
我々は,システムの精度とリコールを分析し,実実験で他の手法と比較する。
論文 参考訳(メタデータ) (2020-07-03T17:02:46Z) - Real-time Localization Using Radio Maps [59.17191114000146]
パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。
提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
論文 参考訳(メタデータ) (2020-06-09T16:51:17Z) - DA4AD: End-to-End Deep Attention-based Visual Localization for
Autonomous Driving [19.02445537167235]
本稿では,自律運転のための新しい注目機能に基づく視覚的位置決めフレームワークを提案する。
提案手法は,LiDARに基づくローカライズソリューションと比較して,競合するローカライズ精度を実現する。
論文 参考訳(メタデータ) (2020-03-06T04:34:39Z)
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。