論文の概要: Trajectory Prediction for Autonomous Driving with Topometric Map
- arxiv url: http://arxiv.org/abs/2105.03869v1
- Date: Sun, 9 May 2021 08:16:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 14:37:28.445360
- Title: Trajectory Prediction for Autonomous Driving with Topometric Map
- Title(参考訳): 地形マップを用いた自動運転の軌道予測
- Authors: Jiaolong Xu, Liang Xiao, Dawei Zhao, Yiming Nie, Bin Dai
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 10.831436392239585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: State-of-the-art autonomous driving systems rely on high definition (HD) maps
for localization and navigation. However, building and maintaining HD maps is
time-consuming and expensive. Furthermore, the HD maps assume structured
environment such as the existence of major road and lanes, which are not
present in rural areas. In this work, we propose an end-to-end transformer
networks based approach for map-less autonomous driving. The proposed model
takes raw LiDAR data and noisy topometric map as input and produces precise
local trajectory for navigation. We demonstrate the effectiveness of our method
in real-world driving data, including both urban and rural areas. The
experimental results show that the proposed method outperforms state-of-the-art
multimodal methods and is robust to the perturbations of the topometric map.
The code of the proposed method is publicly available at
\url{https://github.com/Jiaolong/trajectory-prediction}.
- Abstract(参考訳): 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。
しかし、HDマップの構築とメンテナンスには時間と費用がかかる。
さらにhdマップは、農村部では存在していない主要道路や車線の存在などの構造環境を想定している。
本研究では,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フォーマーネットワークを提案する。
提案モデルでは, 生のLiDARデータとノイズトポロジカルマップを入力として, ナビゲーションのための正確な局所軌道を生成する。
都市部と農村部を含む実世界の運転データにおいて,本手法の有効性を示す。
実験の結果,提案手法は最先端のマルチモーダル手法よりも優れており,地形図の摂動に頑健であることがわかった。
提案手法のコードは \url{https://github.com/Jiaolong/trajectory-prediction} で公開されている。
関連論文リスト
- MapLocNet: Coarse-to-Fine Feature Registration for Visual Re-Localization in Navigation Maps [8.373285397029884]
伝統的なローカライゼーションアプローチは、正確に注釈付けされたランドマークからなる高定義(HD)マップに依存している。
本稿では,画像登録にインスパイアされたトランスフォーマーを用いたニューラルリローカライズ手法を提案する。
提案手法は, nuScenes と Argoverse の両方のデータセット上で, 現在最先端の OrienterNet を著しく上回っている。
論文 参考訳(メタデータ) (2024-07-11T14:51:18Z) - 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) - 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) - Exploring Navigation Maps for Learning-Based Motion Prediction [9.919575841909962]
本稿では,ナビゲーションマップを学習に基づく動き予測モデルに統合するアプローチについて述べる。
われわれのアプローチは、地図をまったく使わないよりも大幅に改善されている。
Argoverse用の公開ナビゲーションマップAPIにより,ナビゲーションマップを用いた独自のアプローチの開発と評価が可能となった。
論文 参考訳(メタデータ) (2023-02-13T09:06:27Z) - Coarse-to-fine Semantic Localization with HD Map for Autonomous Driving
in Structural Scenes [1.1024591739346292]
カメラを主センサとする自動運転のためのHDマップを用いたコスト効率の高い車両位置決めシステムを提案する。
視覚的セマンティクスをHDマップのランドマークにマップするデータアソシエーション問題として視覚に基づくローカライゼーションを定式化する。
本手法を2つのデータセット上で評価し,提案手法が異なる運転シナリオにおいて有望なローカライゼーション結果をもたらすことを示す。
論文 参考訳(メタデータ) (2021-07-06T11:58:55Z) - 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) - Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。
本稿では,従来のアプローチのさらなる発展について述べる。
複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文 参考訳(メタデータ) (2020-08-09T09:26:30Z) - Automatic Building and Labeling of HD Maps with Deep Learning [18.9340830352492]
生センサデータからラベル付きHDマップを生成する新しい手法を提案する。
その結果,提案した深層学習に基づく手法は,高精度なHDマップを作成できることがわかった。
論文 参考訳(メタデータ) (2020-06-01T00:02:45Z)
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。