論文の概要: Improving Autonomous Vehicle Mapping and Navigation in Work Zones Using Crowdsourcing Vehicle Trajectories

• arxiv url: http://arxiv.org/abs/2301.09194v1
• Date: Sun, 22 Jan 2023 20:16:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-24 14:39:10.694360
• Title: Improving Autonomous Vehicle Mapping and Navigation in Work Zones Using Crowdsourcing Vehicle Trajectories
• Title（参考訳）: クラウドソーシングカートラジェクタを用いた作業ゾーンにおける自律走行車のマッピングとナビゲーションの改善
• Authors: Hanlin Chen, Renyuan Luo, Yiheng Feng
• Abstract要約: 本稿では, クラウドソーシングトラジェクトリ情報をマッピングプロセスに導入し, ドライビング可能なエリアや交通ルールに対するCAVの理解を深めるプロトタイプを提案する。 提案手法は,人間運転情報のないSLAMと比較した。 提案手法は下流経路計画と車両制御モジュールとよく適合しており,CAVは運転規則に違反せず,純粋なSLAM法では達成できなかった。
• 参考スコア（独自算出の注目度）: 7.5390770178143045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prevalent solutions for Connected and Autonomous vehicle (CAV) mapping include high definition map (HD map) or real-time Simultaneous Localization and Mapping (SLAM). Both methods only rely on vehicle itself (onboard sensors or embedded maps) and can not adapt well to temporarily changed drivable areas such as work zones. Navigating CAVs in such areas heavily relies on how the vehicle defines drivable areas based on perception information. Difficulties in improving perception accuracy and ensuring the correct interpretation of perception results are challenging to the vehicle in these situations. This paper presents a prototype that introduces crowdsourcing trajectories information into the mapping process to enhance CAV's understanding on the drivable area and traffic rules. A Gaussian Mixture Model (GMM) is applied to construct the temporarily changed drivable area and occupancy grid map (OGM) based on crowdsourcing trajectories. The proposed method is compared with SLAM without any human driving information. Our method has adapted well with the downstream path planning and vehicle control module, and the CAV did not violate driving rule, which a pure SLAM method did not achieve.
• Abstract（参考訳）: connected and autonomous vehicle (cav) マッピングの一般的なソリューションには、high definition map (hd map) や real-time concurrent localization and mapping (slam) がある。 どちらの方法も車自体(センサーや組込み地図)のみに依存しており、作業ゾーンのような一時的に変更可能な領域にうまく適応できない。 このようなエリアでのCAVの航行は、認識情報に基づいて乾燥可能なエリアをどのように定義するかに大きく依存している。 これらの状況においては、知覚精度の向上と知覚結果の正しい解釈の確保が困難である。 本稿では, クラウドソーシングトラジェクトリ情報をマッピングプロセスに導入し, ドライビング可能なエリアや交通ルールに対するCAVの理解を深めるプロトタイプを提案する。 ガウス混合モデル(GMM)を適用して,クラウドソーシングの軌跡に基づく一時的に変化する乾燥可能領域と占有グリッドマップ(OGM)を構築する。 提案手法は,人間運転情報のないSLAMと比較した。 提案手法は下流経路計画と車両制御モジュールとよく適合しており,CAVは運転規則に違反せず,純粋なSLAM法では達成できなかった。

関連論文リスト

• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• Semantic Map Learning of Traffic Light to Lane Assignment based on Motion Data [12.853720506838043]
  自動運転車は通常、車線への信号の割り当てに関する情報を含むHigh Definition (HD)マップに依存している。 これらの問題を解決するために,交通信号の状態と対応する車両交通の動作パターンから課題を導出する。 Lyft Level 5データセット用の公開APIによって、研究者は独自のアプローチを開発し、評価することができます。
  論文  参考訳（メタデータ） (2023-09-26T09:42:21Z)
• 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)
• Leveraging Road Area Semantic Segmentation with Auxiliary Steering Task [0.0]
  ステアリングホイール角情報を利用して道路領域のセマンティックセグメンテーションを改善するCNNに基づく手法を提案する。 本稿では,自律運転のための2つの挑戦的データセットに対する提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-12-19T13:25:09Z)
• Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
  本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。 我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
  論文  参考訳（メタデータ） (2022-11-15T13:52:41Z)
• 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)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)
• LiveMap: Real-Time Dynamic Map in Automotive Edge Computing [14.195521569220448]
  LiveMapは、接続された車両のデータをサブ秒でクラウドソーシングし、道路上のオブジェクトを検出し、一致させ、追跡するリアルタイムダイナミックマップです。 車両の計算を適応的にオフロードできるlivemapの制御プレーンを開発した。 小型テストベッド上でLiveMapを実装し,大規模ネットワークシミュレータを開発した。
  論文  参考訳（メタデータ） (2020-12-16T15:00:49Z)
• BoMuDANet: Unsupervised Adaptation for Visual Scene Understanding in Unstructured Driving Environments [54.22535063244038]
  非構造交通環境における視覚的シーン理解のための教師なし適応手法を提案する。 本手法は,車,トラック,二輪車,三輪車,歩行者からなる密集・異種交通を伴う非構造現実シナリオを対象としたものである。
  論文  参考訳（メタデータ） (2020-09-22T08:25:44Z)
• Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
  近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。 本稿では,従来のアプローチのさらなる発展について述べる。 複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
  論文  参考訳（メタデータ） (2020-08-09T09:26:30Z)

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。