論文の概要: RONELDv2: A faster, improved lane tracking method
- arxiv url: http://arxiv.org/abs/2202.13137v1
- Date: Sat, 26 Feb 2022 13:12:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-03 09:58:15.489624
- Title: RONELDv2: A faster, improved lane tracking method
- Title（参考訳）: RONELDv2: 高速で改良された車線追跡方法
- Authors: Zhe Ming Chng, Joseph Mun Hung Lew, Jimmy Addison Lee
- Abstract要約: 車線検出は、自動運転車や車線出発警報システムにおいて、制御システムの不可欠な部分である。
本稿では,改良された軽量車線検出手法 RONELDv2を提案する。
提案した改良モデルを用いた実験では、異なるデータセットとディープラーニングモデル間でレーン検出精度が一貫した向上を示した。
- 参考スコア（独自算出の注目度）: 1.3965477771846408
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lane detection is an integral part of control systems in autonomous vehicles
and lane departure warning systems as lanes are a key component of the
operating environment for road vehicles. In a previous paper, a robust neural
network output enhancement for active lane detection (RONELD) method augmenting
deep learning lane detection models to improve active, or ego, lane accuracy
performance was presented. This paper extends the work by further investigating
the lane tracking methods used to increase robustness of the method to lane
changes and different lane dimensions (e.g. lane marking thickness) and
proposes an improved, lighter weight lane detection method, RONELDv2. It
improves on the previous RONELD method by detecting the lane point variance,
merging lanes to find a more accurate set of lane parameters, and using an
exponential moving average method to calculate more robust lane weights.
Experiments using the proposed improvements show a consistent increase in lane
detection accuracy results across different datasets and deep learning models,
as well as a decrease in computational complexity observed via an up to
two-fold decrease in runtime, which enhances its suitability for real-time use
on autonomous vehicles and lane departure warning systems.
- Abstract（参考訳）: レーン検出は自動運転車における制御システムと車線離脱警告システムの重要な部分であり、車線は自動車の運転環境の重要な要素である。
前報では,アクティブレーン検出(roneld)法におけるロバストニューラルネットワークの出力向上により,ディープラーニングレーン検出モデルが強化され,アクティブレーン精度が向上した。
本研究は, 路面変化と異なる路面寸法(レーンマーキング厚など)に対する手法のロバスト性を高めるために用いた車線追跡法をさらに研究し, 改良された軽量車線検出法, RONELDv2を提案する。
従来のRONELD法では、レーン点の分散を検出し、レーンをマージしてより正確なレーンパラメータを見つけ、指数的な移動平均法を用いてより堅牢なレーン重量を計算する。
提案した改良を用いた実験では、異なるデータセットとディープラーニングモデル間でレーン検出精度が一貫して増加し、ランタイムの最大2倍の減少によって観測される計算複雑性が減少し、自動運転車や車線逸脱警告システムにおけるリアルタイム使用に適していることが示されている。
関連論文リスト
- Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
車線検出は自律運転認識システムにおいて重要な役割を果たす。
ディープラーニングアルゴリズムが普及するにつれて、ディープラーニングに基づく単眼車線検出手法が優れた性能を示した。
本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
論文 参考訳（メタデータ） (2024-11-25T12:09:43Z) - Attention-based U-Net Method for Autonomous Lane Detection [0.5461938536945723]
本研究では,ディープラーニングに基づく2つのレーン認識手法を提案する。
最初の方法はFPN(Feature Pyramid Network)モデルを用いており、道路車線検出の精度は87.59%である。
注意層をU-Netモデルに組み込んだ第2の手法はセマンティックセグメンテーションタスクの性能を大幅に向上させる。
論文 参考訳（メタデータ） (2024-11-16T22:20:11Z) - LOID: Lane Occlusion Inpainting and Detection for Enhanced Autonomous Driving Systems [0.0]
本研究では,難易度の高い環境下での車線検出を向上するための2つの革新的なアプローチを提案する。
最初のアプローチであるAug-Segmentは、CULanesのトレーニングデータセットを増強することで、従来のレーン検出モデルを改善する。
第2のアプローチであるLOID Lane Occlusion Inpainting and Detectionは、塗装モデルを用いて、閉鎖された地域の道路環境を再構築する。
論文 参考訳（メタデータ） (2024-08-17T06:55:40Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Decoupling the Curve Modeling and Pavement Regression for Lane Detection [67.22629246312283]
曲線に基づく車線表現は多くの車線検出法で一般的な手法である。
本稿では,曲線モデルと地上高さ回帰という2つの部分に分解することで,車線検出タスクに対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-09-19T11:24:14Z) - Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。
提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。
提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
論文 参考訳（メタデータ） (2023-07-20T15:21:28Z) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。
本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。
インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文 参考訳（メタデータ） (2022-12-05T08:25:09Z) - RCLane: Relay Chain Prediction for Lane Detection [76.62424079494285]
本稿では,リレーチェーン予測に基づく車線検出手法を提案する。
当社の戦略では,TuSimple,CULane,CurveLanes,LLAMASの4つの主要なベンチマーク上で,最先端の新たなベンチマークを確立することが可能です。
論文 参考訳（メタデータ） (2022-07-19T16:48:39Z) - Towards Driving-Oriented Metric for Lane Detection Models [19.81163190104571]
我々は、車線検出のための2つの新しい駆動指向メトリクスを設計する:エンド・ツー・エンド横方向偏差距離(E2E-LD)とフレームごとの擬似横方向偏差距離(PSLD)。
提案手法の有効性を評価するため,TuSimpleデータセットと新たに構築したComma2k19-LDの4種類のレーン検出手法を用いて大規模実験を行った。
論文 参考訳（メタデータ） (2022-03-31T07:24:44Z) - A Deep Reinforcement Learning Approach for Ramp Metering Based on
Traffic Video Data [0.0]
交通信号を利用してオンランプからの車両の流れを調節するランプメーターは、高速道路の車両移動性を改善するために広く実装されています。
従来の研究では、ポイント検出器によって収集された事前定義された交通手段に基づいて、信号タイミングをリアルタイムに更新する。
深層補強学習法 (DRL) を提案し, ランプ計測の効率化に資するトラフィックビデオデータの可能性を検討する。
論文 参考訳（メタデータ） (2020-12-09T05:08:41Z) - RONELD: Robust Neural Network Output Enhancement for Active Lane
Detection [1.3965477771846408]
最近の最先端車線検出アルゴリズムは、畳み込みニューラルネットワーク(CNN)を用いてディープラーニングモデルを訓練している。
アクティブレーン検出(RONELD)のための実時間ロバストニューラルネットワーク出力向上手法を提案する。
RONELDの精度は最大2倍に向上した。
論文 参考訳（メタデータ） (2020-10-19T14:22:47Z)
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。