論文の概要: Laser Data Based Automatic Generation of Lane-Level Road Map for Intelligent Vehicles

• arxiv url: http://arxiv.org/abs/2101.05066v1
• Date: Fri, 11 Dec 2020 01:09:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-14 10:44:16.009984
• Title: Laser Data Based Automatic Generation of Lane-Level Road Map for Intelligent Vehicles
• Title（参考訳）: レーザーデータに基づくインテリジェント車両用車線レベル道路地図の自動生成
• Authors: Zehai Yu, Hui Zhu, Linglong Lin, Huawei Liang, Biao Yu, Weixin Huang
• Abstract要約: 本稿では,車線レベル自動道路地図生成システムを提案する。 提案システムは,中国河北省の都市部および高速道路で試験されている。 私たちの方法は、優れた抽出とクラスタリング効果を達成することができ、フィッティングラインは10cm未満の誤差で高い位置精度に達することができます。
• 参考スコア（独自算出の注目度）: 1.3185526395713805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the development of intelligent vehicle systems, a high-precision road map is increasingly needed in many aspects. The automatic lane lines extraction and modeling are the most essential steps for the generation of a precise lane-level road map. In this paper, an automatic lane-level road map generation system is proposed. To extract the road markings on the ground, the multi-region Otsu thresholding method is applied, which calculates the intensity value of laser data that maximizes the variance between background and road markings. The extracted road marking points are then projected to the raster image and clustered using a two-stage clustering algorithm. Lane lines are subsequently recognized from these clusters by the shape features of their minimum bounding rectangle. To ensure the storage efficiency of the map, the lane lines are approximated to cubic polynomial curves using a Bayesian estimation approach. The proposed lane-level road map generation system has been tested on urban and expressway conditions in Hefei, China. The experimental results on the datasets show that our method can achieve excellent extraction and clustering effect, and the fitted lines can reach a high position accuracy with an error of less than 10 cm
• Abstract（参考訳）: インテリジェントな車両システムの開発により、多くの面で高精度の道路地図が求められている。 自動車線抽出とモデリングは、正確な車線レベルの道路地図を生成する上で最も重要なステップである。 本稿では,車線レベル道路地図自動生成システムを提案する。 地上の道路マーキングを抽出するために,背景と道路マーキングのばらつきを最大化するレーザデータの強度値を算出するマルチリージョン大津しきい値法を適用した。 抽出された道路マーキングポイントはラスター画像に投影され、2段階クラスタリングアルゴリズムを用いてクラスタ化される。 その後、これらのクラスターから線が最小有界矩形の形状によって認識される。 地図の保存効率を確保するために,ベイズ推定法を用いて,レーン線を立方次多項式曲線に近似する。 提案したレーンレベルの道路地図生成システムは,中国河北省の都市部および高速道路の条件下で試験されている。 実験結果から,本手法は抽出およびクラスタリング効果に優れ,10cm未満の誤差で高い位置精度を達成できることが示唆された。

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)
• LMT-Net: Lane Model Transformer Network for Automated HD Mapping from Sparse Vehicle Observations [11.395749549636868]
  Lane Model Transformer Network (LMT-Net) は、エンコーダとデコーダのニューラルネットワークアーキテクチャであり、ポリリン符号化を実行し、レーンペアとその接続性を予測する。 我々は、複数の車両観測と、地上真実(GT)としての人間のアノテーションからなる内部データセット上でのLMT-Netの性能を評価する。
  論文  参考訳（メタデータ） (2024-09-19T02:14:35Z)
• Building Lane-Level Maps from Aerial Images [9.185929396989083]
  レーン検出のために構築された大規模空中画像データセットを初めて紹介する。 我々はAerialLaneNetと呼ばれる空中画像からベースライン深層学習車線検出手法を開発した。 提案手法は,新たなデータセットの最先端手法と比較して,大幅な改善を実現している。
  論文  参考訳（メタデータ） (2023-12-20T21:58:45Z)
• Prior Based Online Lane Graph Extraction from Single Onboard Camera Image [133.68032636906133]
  単眼カメラ画像からレーングラフをオンラインに推定する。 前者は、トランスフォーマーベースのWasserstein Autoencoderを通じてデータセットから抽出される。 オートエンコーダは、最初のレーングラフ推定を強化するために使用される。
  論文  参考訳（メタデータ） (2023-07-25T08:58:26Z)
• Online Map Vectorization for Autonomous Driving: A Rasterization Perspective [58.71769343511168]
  より優れた感度を有し,現実の自律運転シナリオに適した,新化に基づく評価指標を提案する。 また、精度の高い出力に微分可能化を適用し、HDマップの幾何学的監視を行う新しいフレームワークであるMapVR(Map Vectorization via Rasterization)を提案する。
  論文  参考訳（メタデータ） (2023-06-18T08:51:14Z)
• 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)
• Fusion of neural networks, for LIDAR-based evidential road mapping [3.065376455397363]
  LIDARスキャンにおける道路検出に最適化された新しい畳み込みアーキテクチャであるRoadSegを紹介する。 RoadSegは、個々のLIDARポイントを道路に属するか、そうでないかを分類するために使用される。 そこで本研究では,連続した道路検出結果を融合する明らかな道路マッピングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-05T18:14:36Z)
• DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
  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。
  論文  参考訳（メタデータ） (2020-12-22T21:58:57Z)
• 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)
• Automatic extraction of road intersection points from USGS historical map series using deep convolutional neural networks [0.0]
  道路交差点のデータは、異なる地理空間的応用と分析に利用されてきた。 我々は、ディープ畳み込みニューラルネットワークを領域ベースCNNと呼ばれるオブジェクト検出タスクに使用する標準パラダイムを採用した。 また、従来のコンピュータビジョンアルゴリズムと比較して、RCNNはより正確な抽出を提供する。
  論文  参考訳（メタデータ） (2020-07-14T23:51:15Z)

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。