論文の概要: Learning and Aggregating Lane Graphs for Urban Automated Driving

• arxiv url: http://arxiv.org/abs/2302.06175v1
• Date: Mon, 13 Feb 2023 08:23:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 16:14:15.750225
• Title: Learning and Aggregating Lane Graphs for Urban Automated Driving
• Title（参考訳）: 都市自動走行のためのレーングラフの学習と集約
• Authors: Martin B\"uchner, Jannik Z\"urn, Ion-George Todoran, Abhinav Valada, Wolfram Burgard
• Abstract要約: レーングラフ推定は、自動走行とHDマップ学習において不可欠で非常に困難な課題である。 本稿では,複数の重なり合うグラフを1つの一貫したグラフに集約する空中画像からレーングラフを推定する新しいボトムアップ手法を提案する。 大規模な都市レーングラフデータセットとコードをhttp://urbanlanegraph.cs.uni-freiburg.deで公開しています。
• 参考スコア（独自算出の注目度）: 26.34702432184092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lane graph estimation is an essential and highly challenging task in automated driving and HD map learning. Existing methods using either onboard or aerial imagery struggle with complex lane topologies, out-of-distribution scenarios, or significant occlusions in the image space. Moreover, merging overlapping lane graphs to obtain consistent large-scale graphs remains difficult. To overcome these challenges, we propose a novel bottom-up approach to lane graph estimation from aerial imagery that aggregates multiple overlapping graphs into a single consistent graph. Due to its modular design, our method allows us to address two complementary tasks: predicting ego-respective successor lane graphs from arbitrary vehicle positions using a graph neural network and aggregating these predictions into a consistent global lane graph. Extensive experiments on a large-scale lane graph dataset demonstrate that our approach yields highly accurate lane graphs, even in regions with severe occlusions. The presented approach to graph aggregation proves to eliminate inconsistent predictions while increasing the overall graph quality. We make our large-scale urban lane graph dataset and code publicly available at http://urbanlanegraph.cs.uni-freiburg.de.
• Abstract（参考訳）: レーングラフ推定は、自動走行とHDマップ学習において不可欠で非常に困難な課題である。 既存の手法では、機内画像または空中画像は複雑な車線トポロジー、分散シナリオ、あるいは画像空間における著しい閉塞に苦しむ。 さらに、重なり合うレーングラフをマージして一貫した大規模グラフを得るのは難しい。 これらの課題を克服するために,複数の重なり合うグラフを単一の一貫したグラフに集約した空中画像からレーングラフを推定する新しいボトムアップ手法を提案する。 そのモジュラー設計により、グラフニューラルネットワークを用いて任意の車両位置からエゴ反射の後続車線グラフを予測し、これらの予測を一貫したグローバル車線グラフに集約する、2つの補完的なタスクに対処することができる。 大規模レーングラフデータセットにおける広範囲な実験により,本手法が高度に正確なレーングラフを生成することを証明した。 グラフアグリゲーションのアプローチは、全体的なグラフ品質を高めながら一貫性のない予測を排除することを証明している。 大規模な都市レーングラフデータセットとコードをhttp://urbanlanegraph.cs.uni-freiburg.deで公開しています。

関連論文リスト

• LaneGraph2Seq: Lane Topology Extraction with Language Model via Vertex-Edge Encoding and Connectivity Enhancement [34.017743757153866]
  複雑な道路構造は、中心線曲線やDAG(Directed Acyclic Graph)を形成する接続を含むレーングラフを用いて描かれることが多い。 本稿では,レーングラフ抽出の新しいアプローチであるLaneGraph2Seqを紹介する。 本手法は,レーングラフ抽出における最先端技術と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-31T05:44:01Z)
• 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)
• AutoGraph: Predicting Lane Graphs from Traffic Observations [35.73868803802196]
  本稿では,交通参加者の動作パターンをレーングラフアノテーションとして利用することを提案する。 これらのトラックレットの位置に基づいて、後続車線グラフを初期位置から予測する。 その後の段階では、個々の後続予測を一貫したレーングラフに集約する方法を示す。
  論文  参考訳（メタデータ） (2023-06-27T12:11:22Z)
• Online Lane Graph Extraction from Onboard Video [133.68032636906133]
  オンボードカメラからの映像ストリームを、周囲のレーングラフのオンライン抽出に使用しています。 入力が1つの画像ではなくビデオを使うことは、異なるタイムステップからの情報を組み合わせることのメリットと課題の両方をもたらす。 提案手法の1つのモデルでは、1つを含む任意の数の画像を処理し、正確なレーングラフを生成することができる。
  論文  参考訳（メタデータ） (2023-04-03T12:36:39Z)
• Towards Graph Self-Supervised Learning with Contrastive Adjusted Zooming [48.99614465020678]
  本稿では,グラフコントラスト適応ズームによる自己教師付きグラフ表現学習アルゴリズムを提案する。 このメカニズムにより、G-Zoomはグラフから複数のスケールから自己超越信号を探索して抽出することができる。 我々は,実世界のデータセットに関する広範な実験を行い,提案したモデルが常に最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-20T22:45:53Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Lane Graph Estimation for Scene Understanding in Urban Driving [34.82775302794312]
  鳥眼視画像から車線形状を推定する新しい手法を提案する。 人気のあるnuscenesデータセットから処理されたマルチモーダルバードズ・アイビューデータに基づくグラフ推定モデルをトレーニングする。 私達のモデルは最も評価される都市場面のための有望な性能を示し、自動運転のためのHD車線アノテーションの自動生成のステップとして役立つことができます。
  論文  参考訳（メタデータ） (2021-05-01T08:38:18Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Second-Order Pooling for Graph Neural Networks [62.13156203025818]
  グラフプーリングとして2次プールを提案するが、これは上記の課題を自然に解決する。 グラフニューラルネットワークによる2次プールの直接利用は、実用的な問題を引き起こすことを示す。 本稿では,2次プールに基づく2つの新しいグローバルグラフプーリング手法,すなわちバイリニアマッピングと2次プールを提案する。
  論文  参考訳（メタデータ） (2020-07-20T20:52:36Z)

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。