論文の概要: Learning a Model for Inferring a Spatial Road Lane Network Graph using Self-Supervision

• arxiv url: http://arxiv.org/abs/2107.01784v1
• Date: Mon, 5 Jul 2021 04:34:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-06 15:23:32.402643
• Title: Learning a Model for Inferring a Spatial Road Lane Network Graph using Self-Supervision
• Title（参考訳）: 自己スーパービジョンを用いた空間的道路レーンネットワークグラフ推定モデル学習
• Authors: Robin Karlsson, David Robert Wong, Simon Thompson, Kazuya Takeda
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.819463015526832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interconnected road lanes are a central concept for navigating urban roads. Currently, most autonomous vehicles rely on preconstructed lane maps as designing an algorithmic model is difficult. However, the generation and maintenance of such maps is costly and hinders large-scale adoption of autonomous vehicle technology. This paper presents the first self-supervised learning method to train a model to infer a spatially grounded lane-level road network graph based on a dense segmented representation of the road scene generated from onboard sensors. A formal road lane network model is presented and proves that any structured road scene can be represented by a directed acyclic graph of at most depth three while retaining the notion of intersection regions, and that this is the most compressed representation. The formal model is implemented by a hybrid neural and search-based model, utilizing a novel barrier function loss formulation for robust learning from partial labels. Experiments are conducted for all common road intersection layouts. Results show that the model can generalize to new road layouts, unlike previous approaches, demonstrating its potential for real-world application as a practical learning-based lane-level map generator.
• Abstract（参考訳）: インターコネクテッド・ロード・レーンは都市道路を走行する中心的な概念である。 現在、ほとんどの自動運転車は、アルゴリズムモデルの設計が難しいため、事前構築されたレーンマップに依存している。 しかし、このような地図の生成とメンテナンスはコストがかかり、自動運転車技術の大規模導入を妨げる。 本稿では,車載センサから生成された道路シーンの密集したセグメント表現に基づいて,車線レベル道路ネットワークグラフを空間的に推定するモデルを訓練する最初の自己教師あり学習手法を提案する。 正式な道路レーンネットワークモデルが提示され、任意の構造化道路シーンが、交差領域の概念を維持しながら、最大深さ3の有向非循環グラフで表現できることが証明され、これが最も圧縮された表現である。 この形式モデルは,新しいバリア関数損失定式化を利用して,部分ラベルからのロバスト学習を行うハイブリッドニューラルモデルとサーチベースモデルによって実装されている。 共通道路交差点配置について実験を行った。 結果は,本モデルが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可能であることを示し,実際の学習に基づくレーンレベルマップ生成装置としての現実的応用の可能性を示した。

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)
• LaneCPP: Continuous 3D Lane Detection using Physical Priors [45.52331418900137]
  レーンCPPは、車線構造と道路形状に関する物理的事前知識を活用する連続した3次元車線検出モデルを用いる。 コントリビューションのメリットを示し、3次元車線検出をより堅牢にするための事前利用の意義を実証する。
  論文  参考訳（メタデータ） (2024-06-12T16:31:06Z)
• Road Network Representation Learning: A Dual Graph based Approach [15.092888613780406]
  道路網は交通、移動、物流など多くのアプリケーションを動かす重要なインフラである。 高速ネットワーク表現学習(RNRL)と呼ばれるベクトルの形で道路の表現を学習する必要がある。
  論文  参考訳（メタデータ） (2023-04-13T09:30:11Z)
• 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)
• Graph representation learning for street networks [0.0]
  ストリートネットワークは、私たちの都市における異なる時間的および出現に関する貴重な情報ソースを提供する。 これまでの研究では、学習アルゴリズムによって元のデータの表現が作成できることが示されている。 本稿では,街路ネットワークから直接優れた表現を推測できるモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-09T16:02:28Z)
• Repainting and Imitating Learning for Lane Detection [52.5220065495956]
  現行の車線検出手法は、重い影による視認性車線問題に苦慮している。 本稿では,教師と学生のペアを含む新しいリペイント・イミメーティング学習フレームワークを提案する。 提案手法は,推定中に余分な時間的コストを伴わず,様々な最先端車線検出ネットワークでプラグアンドプレイが可能となる。
  論文  参考訳（メタデータ） (2022-10-11T02:26:39Z)
• An Enhanced Graph Representation for Machine Learning Based Automatic Intersection Management [0.5161531917413708]
  我々は、前述したグラフベースのシーン表現とグラフニューラルネットワークに基づいて、強化学習を用いてこの問題にアプローチする。 本稿では,自動交差点管理において一般的に使用されるベースラインに対して,提案手法の詳細な評価を行う。
  論文  参考訳（メタデータ） (2022-07-18T14:53:50Z)
• 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)
• Hierarchical Road Topology Learning for Urban Map-less Driving [8.107327095922729]
  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。
  論文  参考訳（メタデータ） (2021-03-31T19:51:25Z)
• 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。

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。