論文の概要: SuperFusion: Multilevel LiDAR-Camera Fusion for Long-Range HD Map
Generation and Prediction
- arxiv url: http://arxiv.org/abs/2211.15656v1
- Date: Mon, 28 Nov 2022 18:59:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 20:28:19.025092
- Title: SuperFusion: Multilevel LiDAR-Camera Fusion for Long-Range HD Map
Generation and Prediction
- Title(参考訳): SuperFusion:Long-Range HD Map生成と予測のためのマルチレベルLiDAR-Camera Fusion
- Authors: Hao Dong, Xianjing Zhang, Xuan Jiang, Jun Zhang, Jintao Xu, Rui Ai,
Weihao Gu, Huimin Lu, Juho Kannala and Xieyuanli Chen
- Abstract要約: 我々は,複数のレベルでLiDARとカメラデータの融合を利用したSuperFusionという新しいネットワークを提案する。
その結果,提案手法により予測される長距離HDマップを用いることで,自動運転車の経路計画を改善することができることがわかった。
- 参考スコア(独自算出の注目度): 21.061273391348376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-definition (HD) semantic map generation of the environment is an
essential component of autonomous driving. Existing methods have achieved good
performance in this task by fusing different sensor modalities, such as LiDAR
and camera. However, current works are based on raw data or network
feature-level fusion and only consider short-range HD map generation, limiting
their deployment to realistic autonomous driving applications. In this paper,
we focus on the task of building the HD maps in both short ranges, i.e., within
30 m, and also predicting long-range HD maps up to 90 m, which is required by
downstream path planning and control tasks to improve the smoothness and safety
of autonomous driving. To this end, we propose a novel network named
SuperFusion, exploiting the fusion of LiDAR and camera data at multiple levels.
We benchmark our SuperFusion on the nuScenes dataset and a self-recorded
dataset and show that it outperforms the state-of-the-art baseline methods with
large margins. Furthermore, we propose a new metric to evaluate the long-range
HD map prediction and apply the generated HD map to a downstream path planning
task. The results show that by using the long-range HD maps predicted by our
method, we can make better path planning for autonomous vehicles. The code will
be available at https://github.com/haomo-ai/SuperFusion.
- Abstract(参考訳): 環境の高精細(HD)セマンティックマップ生成は自律運転の重要な構成要素である。
既存の手法は、LiDARやカメラなど、様々なセンサーモードを融合することにより、このタスクにおいて優れたパフォーマンスを実現している。
しかし、現在の作業は生のデータやネットワークの機能レベルの融合に基づいており、短距離のhdマップ生成のみを考慮し、現実的な自動運転アプリケーションへのデプロイを制限している。
本稿では,30m以内の短距離でHDマップを構築する作業と,下流経路計画と制御タスクが必要とする90mまでの長距離HDマップの予測に焦点をあてて,自動運転の滑らかさと安全性を向上させる。
そこで本研究では,LiDARとカメラデータの融合を利用したSuperFusionというネットワークを提案する。
我々は、nuScenesデータセットと自己記録データセットでSuperFusionをベンチマークし、最先端のベースラインメソッドよりも大きなマージンを持つことを示す。
さらに,長距離HDマップの予測評価のための新しい指標を提案し,生成したHDマップを下流経路計画タスクに適用する。
その結果,提案手法で予測した長距離hdマップを用いることで,自動運転車の経路計画を改善することが可能となった。
コードはhttps://github.com/haomo-ai/SuperFusion.comから入手できる。
関連論文リスト
- Augmenting Lane Perception and Topology Understanding with Standard
Definition Navigation Maps [51.24861159115138]
Standard Definition (SD) マップは、より安価で、世界中でカバーでき、スケーラブルな代替手段を提供する。
本稿では,オンライン地図予測にSDマップを統合する新しいフレームワークを提案し,Transformer を用いたエンコーダ SD Map Representations を提案する。
この拡張は、現在の最先端のオンラインマップ予測手法におけるレーン検出とトポロジー予測を一貫して(最大60%まで)大幅に向上させる。
論文 参考訳(メタデータ) (2023-11-07T15:42:22Z) - 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) - High-Definition Map Generation Technologies For Autonomous Driving: A
Review [0.0]
ハイデフィニション(HD)マップは近年多くの注目を集めている。
本稿では,2次元地図と3次元地図の両方を利用した最近のHDマップ生成技術についてレビューする。
論文 参考訳(メタデータ) (2022-06-11T02:32:11Z) - HDMapNet: An Online HD Map Construction and Evaluation Framework [23.19001503634617]
HDマップの構築は自動運転にとって重要な問題である。
従来のHDマップは、多くのシナリオでは信頼性の低いセンチメートルレベルの正確な位置決めと結合している。
オンライン地図学習は、自動運転車に先立って意味と幾何学を提供するための、よりスケーラブルな方法である。
論文 参考訳(メタデータ) (2021-07-13T18:06:46Z) - 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) - 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) - HDNET: Exploiting HD Maps for 3D Object Detection [99.49035895393934]
高精細度(hd)マップは、現代の3dオブジェクト検出器の性能と頑健性を高める強力な事前情報を提供する。
我々はHDマップから幾何学的特徴と意味的特徴を抽出する単一ステージ検出器を設計する。
地図は至る所では利用できないため、生のLiDARデータからフライ時の地図を推定するマップ予測モジュールも提案する。
論文 参考訳(メタデータ) (2020-12-21T21:59:54Z)
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。