論文の概要: Robust Monocular Localization in Sparse HD Maps Leveraging Multi-Task Uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2110.10563v1
• Date: Wed, 20 Oct 2021 13:46:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 13:55:02.637870
• Title: Robust Monocular Localization in Sparse HD Maps Leveraging Multi-Task Uncertainty Estimation
• Title（参考訳）: マルチタスク不確実性推定を用いたスパースhdマップにおけるロバスト単眼局在
• Authors: K\"ursat Petek, Kshitij Sirohi, Daniel B\"uscher, Wolfram Burgard
• Abstract要約: スライドウインドウポーズグラフに基づく新しい単分子局在化手法を提案する。 効率的なマルチタスク不確実性認識モジュールを提案する。 我々の手法は、挑戦的な都市シナリオにおけるロバストで正確な6Dローカライズを可能にする。
• 参考スコア（独自算出の注目度）: 28.35592701148056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust localization in dense urban scenarios using a low-cost sensor setup and sparse HD maps is highly relevant for the current advances in autonomous driving, but remains a challenging topic in research. We present a novel monocular localization approach based on a sliding-window pose graph that leverages predicted uncertainties for increased precision and robustness against challenging scenarios and per frame failures. To this end, we propose an efficient multi-task uncertainty-aware perception module, which covers semantic segmentation, as well as bounding box detection, to enable the localization of vehicles in sparse maps, containing only lane borders and traffic lights. Further, we design differentiable cost maps that are directly generated from the estimated uncertainties. This opens up the possibility to minimize the reprojection loss of amorphous map elements in an association free and uncertainty-aware manner. Extensive evaluation on the Lyft 5 dataset shows that, despite the sparsity of the map, our approach enables robust and accurate 6D localization in challenging urban scenarios
• Abstract（参考訳）: 低コストのセンサー設定と疎度HDマップを用いた都市密集環境におけるロバストなローカライゼーションは、現在の自動運転の進歩に非常に関係があるが、依然として研究の課題である。 本稿では,予測の不確実性を活用して,挑戦的シナリオやフレーム毎の障害に対する精度と堅牢性を高める,スライディングウィンドウ型ポーズグラフに基づく新しい単眼定位手法を提案する。 そこで本研究では,車線境界と信号のみを含むスパースマップ内の車両のローカライズを可能にするために,セマンティクスセグメンテーションとバウンディングボックス検出をカバーする効率的なマルチタスク不確実性認識モジュールを提案する。 さらに,推定不確実性から直接生成する微分可能コストマップも設計する。 これにより、アモルファスマップ要素の再投影損失を、無関係かつ不確実性を認識する方法で最小化することができる。 Lyft 5データセットの大規模な評価によると、地図の幅が広いにもかかわらず、我々のアプローチは挑戦的な都市シナリオにおける堅牢で正確な6Dローカライゼーションを可能にしている。

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)
• Real-Time Stochastic Terrain Mapping and Processing for Autonomous Safe Landing [0.0]
  本稿では,新しいリアルタイムな惑星地形マッピングアルゴリズムを開発した。 サンプル点間の地形的不確実性や、スパース3次元測定による不確かさを考慮に入れている。
  論文  参考訳（メタデータ） (2024-09-14T05:12:14Z)
• 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)
• Monocular Localization with Semantics Map for Autonomous Vehicles [8.242967098897408]
  低レベルのテクスチャ機能の代わりに安定したセマンティック機能を利用する新しい視覚的セマンティックローカライゼーションアルゴリズムを提案する。 まず、セマンティックマップは、カメラやLiDARセンサーを使用して、グラウンドマーカー、レーンライン、ポールなどのセマンティックオブジェクトを検出してオフラインで構築される。 オンラインの視覚的ローカライゼーションは意味的特徴とマップオブジェクトのデータアソシエーションによって行われる。
  論文  参考訳（メタデータ） (2024-06-06T08:12:38Z)
• UFO: Uncertainty-aware LiDAR-image Fusion for Off-road Semantic Terrain Map Estimation [2.048226951354646]
  本稿では,BEVにおける高密度地形分類図を生成するための学習ベース融合法を提案する。 提案手法は,RGB画像とシングルスイープLiDARスキャンから生成されたセマンティックマップの精度を向上させる。
  論文  参考訳（メタデータ） (2024-03-05T04:20:03Z)
• EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road Autonomy [34.19779754333234]
  本研究では,不確実性を考慮したトラクションモデルを学習し,リスクを考慮したトラジェクトリを計画するための統一的なフレームワークを提案する。 ネットワーク出力を用いてディリクレ分布をパラメータ化し、新しい不確実性を考慮した2乗地球モーバー距離損失を提案する。 我々のアプローチはシミュレーションや車輪付き四足歩行ロボットで広範囲に検証されている。
  論文  参考訳（メタデータ） (2023-11-10T18:49:53Z)
• 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)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
  自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。 相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。 本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
  論文  参考訳（メタデータ） (2021-05-28T09:23:05Z)
• Deep Multi-Task Learning for Joint Localization, Perception, and Prediction [68.50217234419922]
  本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。 我々は,認識,予測,局所化を共同で行うシステムの設計を行う。 本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
  論文  参考訳（メタデータ） (2021-01-17T17:20:31Z)
• Adaptive confidence thresholding for monocular depth estimation [83.06265443599521]
  本稿では,自己教師付ステレオマッチング法から生成されたステレオ画像の擬似地上真実深度マップを利用する新しい手法を提案する。 擬似地底深度マップの信頼度マップを推定し、不正確な擬似地底深度マップによる性能劣化を緩和する。 実験結果から, 最先端の単分子深度推定法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-09-27T13:26:16Z)

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。