論文の概要: Topology Preserving Local Road Network Estimation from Single Onboard Camera Image

• arxiv url: http://arxiv.org/abs/2112.10155v1
• Date: Sun, 19 Dec 2021 14:25:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-21 16:34:21.238083
• Title: Topology Preserving Local Road Network Estimation from Single Onboard Camera Image
• Title（参考訳）: 単眼カメラ画像からの道路ネットワーク推定のためのトポロジー
• Authors: Yigit Baran Can, Alexander Liniger, Danda Pani Paudel, Luc Van Gool
• Abstract要約: 本稿では,鳥眼ビュー(BEV)において,局所道路網のトポロジーを抽出することを目的とする。 唯一の入力は、シングルオンボードの前方カメラ画像で構成されている。 道路トポロジを,道路の交点を用いて捉えた一組の有向車線曲線とその相互作用を用いて表現する。
• 参考スコア（独自算出の注目度）: 128.881857704338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge of the road network topology is crucial for autonomous planning and navigation. Yet, recovering such topology from a single image has only been explored in part. Furthermore, it needs to refer to the ground plane, where also the driving actions are taken. This paper aims at extracting the local road network topology, directly in the bird's-eye-view (BEV), all in a complex urban setting. The only input consists of a single onboard, forward looking camera image. We represent the road topology using a set of directed lane curves and their interactions, which are captured using their intersection points. To better capture topology, we introduce the concept of \emph{minimal cycles} and their covers. A minimal cycle is the smallest cycle formed by the directed curve segments (between two intersections). The cover is a set of curves whose segments are involved in forming a minimal cycle. We first show that the covers suffice to uniquely represent the road topology. The covers are then used to supervise deep neural networks, along with the lane curve supervision. These learn to predict the road topology from a single input image. The results on the NuScenes and Argoverse benchmarks are significantly better than those obtained with baselines. Our source code will be made publicly available.
• Abstract（参考訳）: 道路ネットワークのトポロジに関する知識は、自律的な計画とナビゲーションに不可欠である。 しかし、そのようなトポロジーを単一の画像から復元することは、一部しか研究されていない。 さらに、駆動動作が取られる地上面を参照する必要がある。 本稿では, 鳥眼ビュー(BEV)において, 複雑な都市環境下での局所道路ネットワークトポロジーの抽出を目的とする。 唯一の入力は、シングルオンボードの前方カメラ画像で構成されている。 道路トポロジを,道路の交点を用いて捉えた一組の有向車線曲線とその相互作用を用いて表現する。 トポロジーをよりよく捉えるために、 \emph{minimal cycles} の概念とその被覆を導入する。 最小サイクル(minimum cycle)は、有向曲線セグメント(二つの交点の間)によって形成される最小サイクルである。 被覆は、セグメンテーションが極小サイクルの形成に関与する曲線の集合である。 まず,道路トポロジを一意に表すのに十分であることを示す。 カバーは、レーンカーブの監督とともに、ディープニューラルネットワークを監督するために使用される。 これらは単一の入力画像から道路トポロジーを予測することを学ぶ。 NuScenes と Argoverse ベンチマークの結果は,ベースラインで得られたベンチマークよりもはるかに優れている。 私たちのソースコードは公開されます。

関連論文リスト

• LaneSegNet: Map Learning with Lane Segment Perception for Autonomous Driving [60.55208681215818]
  道路構造の完全な表現を得るために,レーンセグメントを生成する最初のエンドツーエンドマッピングネットワークであるLaneSegNetを紹介した。 提案アルゴリズムは2つの重要な修正点を特徴としている。1つは、長距離特徴空間内の重要な領域の詳細をキャプチャするレーンアテンションモジュールである。 OpenLane-V2データセットでは、LaneSegNetは3つのタスクにまたがって大幅に向上している。
  論文  参考訳（メタデータ） (2023-12-26T16:22:10Z)
• TopoMLP: A Simple yet Strong Pipeline for Driving Topology Reasoning [51.29906807247014]
  トポロジー推論は、道路シーンを理解し、自律運転における乾燥可能なルートを提示することを目的としている。 道路の中心線(車線)と交通要素を検出し、そのトポロジの関係、すなわち車線-車線トポロジと車線-交通トポロジを推論する必要がある。 トポロジー性能の上限を拡張するために,強力な3次元レーン検出器と改良された2次元交通要素検出器を導入する。
  論文  参考訳（メタデータ） (2023-10-10T16:24:51Z)
• 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)
• Online Lane Graph Extraction from Onboard Video [133.68032636906133]
  オンボードカメラからの映像ストリームを、周囲のレーングラフのオンライン抽出に使用しています。 入力が1つの画像ではなくビデオを使うことは、異なるタイムステップからの情報を組み合わせることのメリットと課題の両方をもたらす。 提案手法の1つのモデルでは、1つを含む任意の数の画像を処理し、正確なレーングラフを生成することができる。
  論文  参考訳（メタデータ） (2023-04-03T12:36:39Z)
• Learning a Model for Inferring a Spatial Road Lane Network Graph using Self-Supervision [10.819463015526832]
  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。
  論文  参考訳（メタデータ） (2021-07-05T04:34:51Z)
• 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)

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。