論文の概要: SuperFusion: Multilevel LiDAR-Camera Fusion for Long-Range HD Map Generation

• arxiv url: http://arxiv.org/abs/2211.15656v4
• Date: Wed, 27 Nov 2024 09:49:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:23:00.148329
• Title: SuperFusion: Multilevel LiDAR-Camera Fusion for Long-Range HD Map Generation
• Title（参考訳）: SuperFusion:Long-Range HD Map生成のためのマルチレベルLiDAR-Camera Fusion
• Authors: Hao Dong, Weihao Gu, Xianjing Zhang, Jintao Xu, Rui Ai, Huimin Lu, Juho Kannala, 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。 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手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 13.840020080021292
• License:
• 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 use LiDAR depth to improve image depth estimation and use image features to guide long-range LiDAR feature prediction. 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 on all intervals. Additionally, we apply the generated HD map to a downstream path planning task, demonstrating that the long-range HD maps predicted by our method can lead to better path planning for autonomous vehicles. Our code has been released 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機能レベルの融合に基づいており、短い範囲のHDマップ生成のみを考慮しており、現実的な自律運転アプリケーションへのデプロイメントを制限している。 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。 We use LiDAR depth to improve image depth estimation and using image features to guide long-range LiDAR feature prediction。 我々は、nuScenesデータセットと自己記録データセットについてSuperFusionをベンチマークし、すべての間隔で大きなマージンを持つ最先端のベースライン手法よりも優れていることを示す。 さらに、生成したHDマップを下流経路計画タスクに適用し、提案手法により予測される長距離HDマップが、自動運転車のより良い経路計画に繋がることを示す。 私たちのコードはhttps://github.com/haomo-ai/SuperFusion.comでリリースされています。

関連論文リスト

• 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)
• Driving with Prior Maps: Unified Vector Prior Encoding for Autonomous Vehicle Mapping [18.97422977086127]
  高精細マップ(HDマップ)は、自動運転車の正確なナビゲーションと意思決定に不可欠である。 オンボードセンサーを用いたHDマップのオンライン構築が,有望なソリューションとして浮上している。 本稿では,事前マップのパワーを活用して,これらの制約に対処するPresidedDriveフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-09T06:17:46Z)
• 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)
• 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)
• 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)
• Convolutional Recurrent Network for Road Boundary Extraction [99.55522995570063]
  我々は,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。 我々は,完全畳み込みネットワークが道路境界の位置と方向をエンコードする深い特徴量を得る構造化モデルを設計する。 北米の大都市において,道路境界の完全なトポロジを99.3%の時間で得られる方法の有効性を示す。
  論文  参考訳（メタデータ） (2020-12-21T18:59:12Z)

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。