論文の概要: DAGMapper: Learning to Map by Discovering Lane Topology

• arxiv url: http://arxiv.org/abs/2012.12377v1
• Date: Tue, 22 Dec 2020 21:58:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:20:59.103532
• Title: DAGMapper: Learning to Map by Discovering Lane Topology
• Title（参考訳）: DAGMapper: レーントポロジの発見によるマップの学習
• Authors: Namdar Homayounfar, Wei-Chiu Ma, Justin Liang, Xinyu Wu, Jack Fan, Raquel Urtasun
• Abstract要約: 我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。 グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。 2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
• 参考スコア（独自算出の注目度）: 84.12949740822117
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the fundamental challenges to scale self-driving is being able to create accurate high definition maps (HD maps) with low cost. Current attempts to automate this process typically focus on simple scenarios, estimate independent maps per frame or do not have the level of precision required by modern self driving vehicles. In contrast, in this paper we focus on drawing the lane boundaries of complex highways with many lanes that contain topology changes due to forks and merges. Towards this goal, we formulate the problem as inference in a directed acyclic graphical model (DAG), where the nodes of the graph encode geometric and topological properties of the local regions of the lane boundaries. Since we do not know a priori the topology of the lanes, we also infer the DAG topology (i.e., nodes and edges) for each region. We demonstrate the effectiveness of our approach on two major North American Highways in two different states and show high precision and recall as well as 89% correct topology.
• Abstract（参考訳）: 自動運転をスケールするための基本的な課題の1つは、低コストで正確なHDマップを作成することができることである。 このプロセスを自動化しようとする現在の試みは、一般的に単純なシナリオに注目し、フレームごとに独立したマップを見積もるか、あるいは現代の自動運転車に必要な精度を欠いている。 対照的に,本稿では,フォークやマージによるトポロジー変化を含む多くのレーンを有する複雑な高速道路のレーン境界を描くことに焦点を当てる。 この目的に向けて、グラフのノードがレーン境界の局所領域の幾何学的および位相的性質を符号化する有向非巡回グラフィカルモデル(DAG)の推論として問題を定式化する。 我々はレーンのトポロジーを事前に知らないので、各領域のdagトポロジー(つまりノードとエッジ)も推測する。 2つの異なる州における2つの幹線道路における我々のアプローチの有効性を実証し、高い精度とリコールと89%の正しいトポロジーを示す。

関連論文リスト

• T2SG: Traffic Topology Scene Graph for Topology Reasoning in Autonomous Driving [26.038699227233227]
  交通トポロジシーングラフ(Traffic Topology Scene Graph)は、路面を明示的にモデル化し、異なる路面信号で制御し、ガイドする統一されたシーングラフである。 T2SGの生成のために,新たに2つのレイヤが設計された新しいトポロジーシーングラフトランスフォーマーであるTopoFormerを提案する。
  論文  参考訳（メタデータ） (2024-11-28T03:55:50Z)
• TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
  我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。 我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。 レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
  論文  参考訳（メタデータ） (2024-11-22T06:13:42Z)
• TopoLogic: An Interpretable Pipeline for Lane Topology Reasoning on Driving Scenes [27.930213859199473]
  レーン幾何距離とレーンクエリ類似度に基づくレーントポロジー推論の解釈可能な手法を提案する。 提案手法は,主要なベンチマークであるOpenLane-V2において,既存の最先端手法よりも大幅に優れています。 提案する幾何距離トポロジ推論法は, 再学習なしによく訓練されたモデルに組み込むことができる。
  論文  参考訳（メタデータ） (2024-05-23T16:15:17Z)
• LaneSegNet: Map Learning with Lane Segment Perception for Autonomous Driving [60.55208681215818]
  道路構造の完全な表現を得るために,レーンセグメントを生成する最初のエンドツーエンドマッピングネットワークであるLaneSegNetを紹介した。 提案アルゴリズムは2つの重要な修正点を特徴としている。1つは、長距離特徴空間内の重要な領域の詳細をキャプチャするレーンアテンションモジュールである。 OpenLane-V2データセットでは、LaneSegNetは3つのタスクにまたがって大幅に向上している。
  論文  参考訳（メタデータ） (2023-12-26T16:22:10Z)
• Augmenting Lane Perception and Topology Understanding with Standard Definition Navigation Maps [51.24861159115138]
  Standard Definition (SD) マップは、より安価で、世界中でカバーでき、スケーラブルな代替手段を提供する。 本稿では,オンライン地図予測にSDマップを統合する新しいフレームワークを提案し,Transformer を用いたエンコーダ SD Map Representations を提案する。 この拡張は、現在の最先端のオンラインマップ予測手法におけるレーン検出とトポロジー予測を一貫して(最大60%まで)大幅に向上させる。
  論文  参考訳（メタデータ） (2023-11-07T15:42:22Z)
• Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
  TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。 TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
  論文  参考訳（メタデータ） (2023-04-11T15:23:29Z)
• csBoundary: City-scale Road-boundary Detection in Aerial Images for High-definition Maps [10.082536828708779]
  都市規模での道路境界の自動検出のためのcsBoundaryを提案する。 筆者らのネットワークは航空画像パッチを入力として,この画像から直接連続的な道路境界グラフを推定する。 私たちのcsBoundaryは、公開ベンチマークデータセットで評価され、比較されます。
  論文  参考訳（メタデータ） (2021-11-11T02:04:36Z)
• HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
  HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。 実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。 高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
  論文  参考訳（メタデータ） (2021-06-28T17:59:30Z)

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。