論文の概要: RoadMap: A Light-Weight Semantic Map for Visual Localization towards
Autonomous Driving
- arxiv url: http://arxiv.org/abs/2106.02527v1
- Date: Fri, 4 Jun 2021 14:55:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-07 14:54:07.117029
- Title: RoadMap: A Light-Weight Semantic Map for Visual Localization towards
Autonomous Driving
- Title（参考訳）: RoadMap: 自律運転に向けた視覚的位置決めのための軽量セマンティックマップ
- Authors: Tong Qin, Yuxin Zheng, Tongqing Chen, Yilun Chen, and Qing Su
- Abstract要約: 低コストのカメラとコンパクトな視覚的セマンティックマップに依存する軽量なローカライゼーションソリューションを提案する。
地図は簡単に作成され、センサリッチな車両によってクラウドソースで更新される。
実世界の実験で提案したマップの性能を検証し,他のアルゴリズムと比較した。
- 参考スコア（独自算出の注目度）: 10.218935873715413
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate localization is of crucial importance for autonomous driving tasks.
Nowadays, we have seen a lot of sensor-rich vehicles (e.g. Robo-taxi) driving
on the street autonomously, which rely on high-accurate sensors (e.g. Lidar and
RTK GPS) and high-resolution map. However, low-cost production cars cannot
afford such high expenses on sensors and maps. How to reduce costs? How do
sensor-rich vehicles benefit low-cost cars? In this paper, we proposed a
light-weight localization solution, which relies on low-cost cameras and
compact visual semantic maps. The map is easily produced and updated by
sensor-rich vehicles in a crowd-sourced way. Specifically, the map consists of
several semantic elements, such as lane line, crosswalk, ground sign, and stop
line on the road surface. We introduce the whole framework of on-vehicle
mapping, on-cloud maintenance, and user-end localization. The map data is
collected and preprocessed on vehicles. Then, the crowd-sourced data is
uploaded to a cloud server. The mass data from multiple vehicles are merged on
the cloud so that the semantic map is updated in time. Finally, the semantic
map is compressed and distributed to production cars, which use this map for
localization. We validate the performance of the proposed map in real-world
experiments and compare it against other algorithms. The average size of the
semantic map is $36$ kb/km. We highlight that this framework is a reliable and
practical localization solution for autonomous driving.
- Abstract（参考訳）: 正確なローカライゼーションは自動運転タスクにとって極めて重要である。
今日では、センサーに富む車両(例)が多く見られる。
ロボタクシー(robotaxi) 道路を自律走行し、高精度なセンサー(例えば)に依存する。
lidarとrtk gps)と高解像度マップ。
しかし、低価格生産車はセンサーや地図にこれほど高い費用を支払えない。
コスト削減の方法?
センサーに富んだ車は低コスト車にどう役立つのか?
本稿では,低コストカメラとコンパクトな視覚的セマンティックマップに依存する軽量なローカライゼーションソリューションを提案する。
地図は簡単に作成され、センサリッチな車両によってクラウドソースで更新される。
具体的には、地図は、車線、横断歩道、地上標識、路面上の停止線など、いくつかの意味要素から構成される。
本稿では,車載マッピング,クラウドメンテナンス,ユーザ・ローカライゼーションのフレームワーク全体を紹介する。
地図データは収集され、車両で前処理される。
そしてクラウドサーバにクラウドソースされたデータがアップロードされる。
複数の車両からの質量データはクラウド上にマージされ、セマンティックマップが時間内に更新される。
最後に、セマンティックマップは圧縮され、プロダクションカーに配布され、このマップをローカライゼーションに使用する。
提案する地図の性能を実世界実験で検証し,他のアルゴリズムと比較した。
セマンティックマップの平均サイズは36ドルkb/kmである。
このフレームワークは、自動運転のための信頼性が高く実用的なローカライズソリューションであることを強調する。
関連論文リスト
- 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) - 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) - Leveraging GNSS and Onboard Visual Data from Consumer Vehicles for Robust Road Network Estimation [18.236615392921273]
本稿では,自動運転車における道路グラフ構築の課題について述べる。
本稿では,これらの標準センサから取得したグローバルナビゲーション衛星システム(GNSS)のトレースと基本画像データについて提案する。
我々は、畳み込みニューラルネットワークを用いて、道路中心のセマンティックセグメンテーションタスクとして問題をフレーミングすることで、データの空間情報を利用する。
論文 参考訳（メタデータ） (2024-08-03T02:57:37Z) - 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) - HDMapNet: An Online HD Map Construction and Evaluation Framework [23.19001503634617]
HDマップの構築は自動運転にとって重要な問題である。
従来のHDマップは、多くのシナリオでは信頼性の低いセンチメートルレベルの正確な位置決めと結合している。
オンライン地図学習は、自動運転車に先立って意味と幾何学を提供するための、よりスケーラブルな方法である。
論文 参考訳（メタデータ） (2021-07-13T18:06:46Z) - Radar-based Automotive Localization using Landmarks in a Multimodal
Sensor Graph-based Approach [0.0]
本稿では,自動車用レーダによる局部化の問題に対処する。
システムは抽象層としてランドマークとオドメトリ情報を使用する。
単一のセマンティックランドマークマップが、すべてのセンサーで使用され、維持される。
論文 参考訳（メタデータ） (2021-04-29T07:35:20Z) - 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) - What is the Best Grid-Map for Self-Driving Cars Localization? An
Evaluation under Diverse Types of Illumination, Traffic, and Environment [10.64191129882262]
自動運転車のローカライゼーションは、地図の更新、オブジェクトの追跡、計画など、いくつかのタスクに必要である。
複数のマップの維持・使用は計算コストがかかるため、各アプリケーションにどのマップが適切かを分析することが重要である。
本研究では, 占有率, 反射率, 色, セマンティックグリッドマップを用いて, 粒子フィルタの局所化の精度を比較することによって, その解析のためのデータを提供する。
論文 参考訳（メタデータ） (2020-09-19T22:02:44Z) - Persistent Map Saving for Visual Localization for Autonomous Vehicles:
An ORB-SLAM Extension [0.0]
ステレオカメラセンサを用いて環境を知覚し,地図を作成する。
構築したSLAMマップに対して,KITTIデータセットのシーンのローカライズ精度を評価する。
平均走行速度36m/sで走行する車両の相対翻訳誤差が1%以下であることを示す。
論文 参考訳（メタデータ） (2020-05-15T09:20:31Z)
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。