論文の概要: A perception centred self-driving system without HD Maps
- arxiv url: http://arxiv.org/abs/2009.00782v2
- Date: Fri, 11 Sep 2020 02:13:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 19:10:20.761594
- Title: A perception centred self-driving system without HD Maps
- Title（参考訳）: HDマップのない知覚中心型自動運転システム
- Authors: Alan Sun
- Abstract要約: 完全自動運転システムの構築は20年以上議論されてきたが、未解決のままである。
多様な交通路を検知し, 理解するための新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Building a fully autonomous self-driving system has been discussed for more
than 20 years yet remains unsolved. Previous systems have limited ability to
scale. Their localization subsystem needs labor-intensive map recording for
running in a new area, and the accuracy decreases after the changes occur in
the environment. In this paper, a new localization method is proposed to solve
the scalability problems, with a new method for detecting and making sense of
diverse traffic lines. Like the way human drives, a self-driving system should
not rely on an exact position to travel in most scenarios. As a result, without
HD Maps, GPS or IMU, the proposed localization subsystem relies only on
detecting driving-related features around (like lane lines, stop lines, and
merging lane lines). For spotting and reasoning all these features, a new line
detector is proposed and tested against multiple datasets.
- Abstract（参考訳）: 完全自動運転システムの構築は20年以上議論されてきたが、未解決のままである。
以前のシステムはスケールする能力が限られていた。
彼らのローカライゼーションサブシステムは、新しい領域を走らせるために労働集約的な地図記録を必要とし、環境の変化が生じた後に精度が低下する。
本稿では,多様な交通路を検知し,理解するための新しい手法を用いて,スケーラビリティ問題を解決するための新しいローカライズ手法を提案する。
人間の運転のように、自動運転システムはほとんどのシナリオで正確な位置に頼るべきではない。
結果として、HDマップ、GPS、IMUがなければ、提案されたローカライゼーションサブシステムは、車線、停車線、車線などの運転関連の特徴を検出することのみに依存する。
これらの機能をすべて発見および推論するために、新しいライン検出器を提案し、複数のデータセットに対してテストする。
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) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳（メタデータ） (2023-03-27T15:07:55Z) - 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) - CODA: A Real-World Road Corner Case Dataset for Object Detection in
Autonomous Driving [117.87070488537334]
我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。
大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。
我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
論文 参考訳（メタデータ） (2022-03-15T08:32:56Z) - Trajectory Prediction for Autonomous Driving with Topometric Map [10.831436392239585]
最先端の自動運転システムは、ローカライゼーションとナビゲーションのための高定義(HD)マップに依存している。
マップレス自動運転のためのエンドツーエンドトランスネットワークベースのアプローチを提案する。
論文 参考訳（メタデータ） (2021-05-09T08:16:16Z) - MP3: A Unified Model to Map, Perceive, Predict and Plan [84.07678019017644]
MP3は、入力が生のセンサーデータと高レベルのコマンドであるマップレス運転に対するエンドツーエンドのアプローチである。
提案手法は, より安全で, 快適であり, 長期クローズループシミュレーションにおいて, ベースラインよりもコマンドを追従できることを示す。
論文 参考訳（メタデータ） (2021-01-18T00:09:30Z) - End-to-end Autonomous Driving Perception with Sequential Latent
Representation Learning [34.61415516112297]
エンドツーエンドのアプローチでは、システムをクリーンアップし、人間のエンジニアリングの膨大な努力を避けることができる。
潜在空間は、知覚に有用なすべての関連する特徴を捉えるために導入され、逐次潜在表現学習を通じて学習される。
学習したエンドツーエンドの知覚モデルは、最小限の人間工学的努力だけで検出、追跡、ローカライゼーション、マッピングの問題を解決することができる。
論文 参考訳（メタデータ） (2020-03-21T05:37:44Z)
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。