論文の概要: CenterLineDet: Road Lane CenterLine Graph Detection With Vehicle-Mounted
Sensors by Transformer for High-definition Map Creation
- arxiv url: http://arxiv.org/abs/2209.07734v1
- Date: Fri, 16 Sep 2022 06:15:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 13:17:17.496068
- Title: CenterLineDet: Road Lane CenterLine Graph Detection With Vehicle-Mounted
Sensors by Transformer for High-definition Map Creation
- Title（参考訳）: CenterLineDet:高精細マップ作成のためのトランスフォーマを用いた車載センサを用いた道路車線中央グラフ検出
- Authors: Zhenhua Xu, Yuxuan Liu, Yuxiang Sun, Ming Liu, Lujia Wang
- Abstract要約: 本稿では,車線中央のHDマップを自動生成するCenterLineDetを提案する。
CenterLineDetは模倣学習によって訓練され、車載センサーで反復して車線中心線のグラフを効果的に検出できる。
提案手法は,大規模な公開データセットであるNuscenesで評価される。
- 参考スコア（独自算出の注目度）: 19.263691277963368
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid development of autonomous vehicles, there witnesses a booming
demand for high-definition maps (HD maps) that provide reliable and robust
prior information of static surroundings in autonomous driving scenarios. As
one of the main high-level elements in the HD map, the road lane centerline is
critical for downstream tasks, such as prediction and planning. Manually
annotating lane centerline HD maps by human annotators is labor-intensive,
expensive and inefficient, severely restricting the wide application and fast
deployment of autonomous driving systems. Previous works seldom explore the
centerline HD map mapping problem due to the complicated topology and severe
overlapping issues of road centerlines. In this paper, we propose a novel
method named CenterLineDet to create the lane centerline HD map automatically.
CenterLineDet is trained by imitation learning and can effectively detect the
graph of lane centerlines by iterations with vehicle-mounted sensors. Due to
the application of the DETR-like transformer network, CenterLineDet can handle
complicated graph topology, such as lane intersections. The proposed approach
is evaluated on a large publicly available dataset Nuscenes, and the
superiority of CenterLineDet is well demonstrated by the comparison results.
This paper is accompanied by a demo video and a supplementary document that are
available at \url{https://tonyxuqaq.github.io/projects/CenterLineDet/}.
- Abstract（参考訳）: 自動運転車の急速な開発に伴い、自律運転シナリオにおける静的環境の信頼性と堅牢な事前情報を提供する高精細地図(HDマップ)の需要が急増するのを目撃する。
hdマップの主要なハイレベル要素の1つとして、道路レーンの中心線は予測や計画のような下流タスクにとって重要である。
手動でアノテートする車線中心HDマップは、労働集約的で高価で非効率であり、自律運転システムの広範な適用と迅速な展開を厳しく制限している。
道路中心線の複雑なトポロジと重重なり合う問題により, 従来の作業では, 中心となるHDマップマップ問題はほとんど見つからない。
本稿では,車線中心のHDマップを自動的に作成するCenterLineDetという新しい手法を提案する。
CenterLineDetは模倣学習によって訓練され、車載センサーで反復して車線中心線のグラフを効果的に検出できる。
DETRライクな変圧器ネットワークの適用により、CenterLineDetは車線交点のような複雑なグラフトポロジーを処理できる。
提案手法は, 大規模データセットであるnuscene上で評価され, 比較結果から, センターラインデットの優越性が実証された。
この論文にはデモビデオと追加ドキュメントが付属しており、これは \url{https://tonyxuqaq.github.io/projects/centerlinedet/} で入手できる。
関連論文リスト
- TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。
我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。
レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
論文 参考訳（メタデータ） (2024-11-22T06:13:42Z) - DeepAerialMapper: Deep Learning-based Semi-automatic HD Map Creation for Highly Automated Vehicles [0.0]
高解像度空中画像からHDマップを作成するための半自動手法を提案する。
提案手法では, ニューラルネットワークを訓練して, 空中画像をHDマップに関連するクラスに意味的に分割する。
マップをLanelet2フォーマットにエクスポートすることで、さまざまなユースケースを簡単に拡張できる。
論文 参考訳（メタデータ） (2024-10-01T15:05:05Z) - 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) - Prior Based Online Lane Graph Extraction from Single Onboard Camera
Image [133.68032636906133]
単眼カメラ画像からレーングラフをオンラインに推定する。
前者は、トランスフォーマーベースのWasserstein Autoencoderを通じてデータセットから抽出される。
オートエンコーダは、最初のレーングラフ推定を強化するために使用される。
論文 参考訳（メタデータ） (2023-07-25T08:58:26Z) - InstaGraM: Instance-level Graph Modeling for Vectorized HD Map Learning [6.062751776009753]
搭載センサ観測からHDマップ要素を検出するオンラインHDマップ学習フレームワークを提案する。
InstaGraMでは、HDマップのインスタンスレベルのグラフモデリングは、正確かつ高速なベクトル化HDマップ学習をもたらす。
提案するネットワークは,従来のモデルよりも最大13.7mAP,最大33.8倍高速である。
論文 参考訳（メタデータ） (2023-01-10T08:15:35Z) - csBoundary: City-scale Road-boundary Detection in Aerial Images for
High-definition Maps [10.082536828708779]
都市規模での道路境界の自動検出のためのcsBoundaryを提案する。
筆者らのネットワークは航空画像パッチを入力として,この画像から直接連続的な道路境界グラフを推定する。
私たちのcsBoundaryは、公開ベンチマークデータセットで評価され、比較されます。
論文 参考訳（メタデータ） (2021-11-11T02:04:36Z) - HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。
実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。
高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
論文 参考訳（メタデータ） (2021-06-28T17:59:30Z) - Trajectory Prediction for Autonomous Driving with Topometric Map [10.831436392239585]
最先端の自動運転システムは、ローカライゼーションとナビゲーションのための高定義(HD)マップに依存している。
マップレス自動運転のためのエンドツーエンドトランスネットワークベースのアプローチを提案する。
論文 参考訳（メタデータ） (2021-05-09T08:16:16Z) - MP3: A Unified Model to Map, Perceive, Predict and Plan [84.07678019017644]
MP3は、入力が生のセンサーデータと高レベルのコマンドであるマップレス運転に対するエンドツーエンドのアプローチである。
提案手法は, より安全で, 快適であり, 長期クローズループシミュレーションにおいて, ベースラインよりもコマンドを追従できることを示す。
論文 参考訳（メタデータ） (2021-01-18T00:09:30Z) - 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。