Fugu-MT 論文翻訳(概要): Hierarchical Road Topology Learning for Urban Map-less Driving

論文の概要: Hierarchical Road Topology Learning for Urban Map-less Driving

arxiv url: http://arxiv.org/abs/2104.00084v1
Date: Wed, 31 Mar 2021 19:51:25 GMT
ステータス: 処理完了
システム内更新日: 2021-04-02 13:48:22.955201
Title: Hierarchical Road Topology Learning for Urban Map-less Driving
Title（参考訳）: 都市マップレス運転のための階層的道路トポロジー学習
Authors: Li Zhang, Faezeh Tafazzoli, Gunther Krehl, Runsheng Xu, Timo Rehfeld, Manuel Schier, Arunava Seal
Abstract要約: 我々は、車両自体の感覚システムを活用することで、オンライン道路地図抽出の課題に取り組む。本研究では,全畳み込みネットワーク内で,道路網のグラフ表現を階層的に生成する構造化モデルを設計する。
参考スコア（独自算出の注目度）: 8.107327095922729
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The majority of current approaches in autonomous driving rely on High-Definition (HD) maps which detail the road geometry and surrounding area. Yet, this reliance is one of the obstacles to mass deployment of autonomous vehicles due to poor scalability of such prior maps. In this paper, we tackle the problem of online road map extraction via leveraging the sensory system aboard the vehicle itself. To this end, we design a structured model where a graph representation of the road network is generated in a hierarchical fashion within a fully convolutional network. The method is able to handle complex road topology and does not require a user in the loop.
Abstract（参考訳）: 自動運転における現在のアプローチの大半は、道路形状と周辺領域を詳述するハイディフィニション(HD)マップに依存している。しかし、こうした事前マップのスケーラビリティが低かったために、自動運転車の大量展開の障害の一つとなっている。本稿では,車両自体の感覚システムを活用することで,オンライン道路地図抽出の課題に挑戦する。この目的のために,完全畳み込みネットワーク内で,道路網のグラフ表現を階層的に生成する構造化モデルを設計する。このメソッドは複雑な道路トポロジを処理でき、ループ内のユーザを必要としない。

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)
Automatic Extraction of Relevant Road Infrastructure using Connected vehicle data and Deep Learning Model [4.235459779667272]
本稿では,コネクテッドカーデータと最先端のディープラーニング技術を活用した新しいアプローチを提案する。道路区間にジオハッシングを施し,道路区間の画像表現を生成することにより,道路区間と交差点の正確な分類にYOLOv5アルゴリズムを用いる。実験の結果,97%のF1スコア,90%のF1スコアに到達した。
論文参考訳（メタデータ） (2023-08-10T15:57:47Z)
Correcting Faulty Road Maps by Image Inpainting [6.1642231492615345]
そこで我々は,道路地図を複雑な道路ジオメトリで固定する,カスタムメイドのジオメトリを使わずに,新しい画像インペインティング手法を提案する。提案手法は, 直線道路, 曲がりくねった道路, T-ジャンクション, 交差点など, 様々な実世界の道路測地における有効性を示す。
論文参考訳（メタデータ） (2022-11-12T01:58:32Z)
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)
Learning a Model for Inferring a Spatial Road Lane Network Graph using Self-Supervision [10.819463015526832]
本稿では,空間的に接地された車線レベル道路網グラフを推定するためにモデルを訓練する最初の自己教師型学習手法を提案する。フォーマルな路面ネットワークモデルを示し、最も深度3の有向非巡回グラフで任意の構造化道路シーンを表現できることを証明した。結果から,本モデルは従来のアプローチとは異なり,新たな道路レイアウトに一般化できることが示唆された。
論文参考訳（メタデータ） (2021-07-05T04:34:51Z)
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)
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)
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)
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)

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。