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
- 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) - Secure Navigation using Landmark-based Localization in a GPS-denied
Environment [1.19658449368018]
本稿では,ランドマークに基づくローカライゼーション(LanBLoc)と拡張カルマンフィルタ(EKF)を統合した新たなフレームワークを提案する。
本稿では,障害物や危険のない経路を移動する物体を誘導する2つのアプローチについて,シミュレーションした戦場シナリオを提案する。
論文 参考訳(メタデータ) (2024-02-22T04:41:56Z) - EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road
Autonomy [35.33566712780709]
この研究は、離散的なトラクション分布を学習することにより、アレータリックおよびエピステマティックな不確実性の両方を効率的に定量化する。
本研究では、学習精度とナビゲーション性能を向上させるクローズドフォーム表現を用いた、新しい不確実性を考慮したアース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) - 3D Radar Velocity Maps for Uncertain Dynamic Environments [37.11633023088781]
本稿では,トレーニングデータから得られた地図における不確実性を捉えるベイズ的アプローチについて検討する。
航空や地上のデータセットの収集において、このアプローチはいくつかの代替手法よりも効果的でスケーラブルであることを示す。
論文 参考訳(メタデータ) (2021-07-23T06:03:16Z) - 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) - Robust GPS-Vision Localization via Integrity-Driven Landmark Attention [2.741266294612776]
都市におけるGPSナビゲーションのための統合型ランドマーク注意(ILA)
ヒトの認知的注意に触発され、ランドマークのサブセットを選択するために凸最適化を行う。
事前定義されたアラートリミットのローカリゼーション精度と堅牢な予測可用性を実証します。
論文 参考訳(メタデータ) (2021-01-13T02:16:13Z) - 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) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳(メタデータ) (2020-06-09T12:35:55Z)
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。