Fugu-MT 論文翻訳(概要): FlowMap: Path Generation for Automated Vehicles in Open Space Using Traffic Flow

論文の概要: FlowMap: Path Generation for Automated Vehicles in Open Space Using Traffic Flow

arxiv url: http://arxiv.org/abs/2305.01622v1
Date: Tue, 2 May 2023 17:27:37 GMT
ステータス: 処理完了
システム内更新日: 2023-05-03 13:30:06.989993
Title: FlowMap: Path Generation for Automated Vehicles in Open Space Using Traffic Flow
Title（参考訳）: FlowMap:交通流を用いたオープンスペースにおける自動走行車の経路生成
Authors: Wenchao Ding and Jieru Zhao and Yubin Chu and Haihui Huang and Tong Qin and Chunjing Xu and Yuxiang Guan and Zhongxue Gan
Abstract要約: FlowMapは、トラフィックフローに基づいた自動車両のためのパス生成フレームワークである。交通流場(TFF)における経路生成アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 32.8563901381583
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: There is extensive literature on perceiving road structures by fusing various sensor inputs such as lidar point clouds and camera images using deep neural nets. Leveraging the latest advance of neural architects (such as transformers) and bird-eye-view (BEV) representation, the road cognition accuracy keeps improving. However, how to cognize the ``road'' for automated vehicles where there is no well-defined ``roads'' remains an open problem. For example, how to find paths inside intersections without HD maps is hard since there is neither an explicit definition for ``roads'' nor explicit features such as lane markings. The idea of this paper comes from a proverb: it becomes a way when people walk on it. Although there are no ``roads'' from sensor readings, there are ``roads'' from tracks of other vehicles. In this paper, we propose FlowMap, a path generation framework for automated vehicles based on traffic flows. FlowMap is built by extending our previous work RoadMap, a light-weight semantic map, with an additional traffic flow layer. A path generation algorithm on traffic flow fields (TFFs) is proposed to generate human-like paths. The proposed framework is validated using real-world driving data and is amenable to generating paths for super complicated intersections without using HD maps.
Abstract（参考訳）: lidar点雲やディープニューラルネットを用いたカメラ画像などの様々なセンサ入力を用いて道路構造の知覚に関する広範な文献がある。ニューラルアーキテクト(トランスフォーマーなど)とバードアイビュー(bev)表現の最新の進歩を活用して、道路認識精度が向上している。しかし、適切に定義された 'roads' が存在しない自動車両の ‘road' をどう認識するかは、未解決の問題である。例えば、HDマップのない交差点内の経路を見つける方法は、 'roads' の明示的な定義やレーンマーキングのような明示的な特徴がないため、難しい。この論文のアイデアは、人々が歩くときの方法になる、という確証から生まれたものです。センサーの読み出しには「道路」はないが、他の車両のトラックからは「道路」がある。本稿では,交通流に基づく自動走行車のための経路生成フレームワークであるFlowMapを提案する。 FlowMapは、軽量なセマンティックマップであるRoadMapを拡張し、さらにトラフィックフロー層を追加することによって構築されます。トラヒックフロー場(traffic flow fields, tffs)上の経路生成アルゴリズムを提案する。提案フレームワークは実世界の駆動データを用いて検証され、hdマップを使用せずに超複雑な交差点の経路を生成することができる。

関連論文リスト

YOLinO++: Single-Shot Estimation of Generic Polylines for Mapless Automated Diving [6.752932360113276]
自動走行では、認識をサポートし補完するために非常に正確な地図が一般的に使用される。本稿では,画像中の1次元構造を検出するために,YOLOのワンショット哲学に従うニューラルネットワークを提案する。
論文参考訳（メタデータ） (2024-02-01T20:10:01Z)
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)
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)
Structured Bird's-Eye-View Traffic Scene Understanding from Onboard Images [128.881857704338]
本研究では,BEV座標における局所道路網を表す有向グラフを,単眼カメラ画像から抽出する問題について検討する。提案手法は,BEV平面上の動的物体を検出するために拡張可能であることを示す。我々は、強力なベースラインに対するアプローチを検証するとともに、ネットワークが優れたパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2021-10-05T12:40:33Z)
Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。提案手法は,高品質なトラフィックフローマップを作成できる。
論文参考訳（メタデータ） (2021-09-29T07:51:49Z)
SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
道路抽出は、自律航法システムを構築するための重要なステップである。この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
論文参考訳（メタデータ） (2021-09-16T03:52:17Z)
CP-loss: Connectivity-preserving Loss for Road Curb Detection in Autonomous Driving with Aerial Images [10.300623192980753]
自動走行には道路停止検知が重要である。現在の方法のほとんどは、カメラや3Dライダーなどの車両に搭載されたセンサーを使って、オンラインで道路の縁石を検出する。本稿では,高分解能空中画像を用いて道路の縁石をオフラインで検出する。
論文参考訳（メタデータ） (2021-07-26T01:36:58Z)
Hierarchical Road Topology Learning for Urban Map-less Driving [8.107327095922729]
我々は、車両自体の感覚システムを活用することで、オンライン道路地図抽出の課題に取り組む。本研究では,全畳み込みネットワーク内で,道路網のグラフ表現を階層的に生成する構造化モデルを設計する。
論文参考訳（メタデータ） (2021-03-31T19:51:25Z)
Fusion of neural networks, for LIDAR-based evidential road mapping [3.065376455397363]
LIDARスキャンにおける道路検出に最適化された新しい畳み込みアーキテクチャであるRoadSegを紹介する。 RoadSegは、個々のLIDARポイントを道路に属するか、そうでないかを分類するために使用される。そこで本研究では,連続した道路検出結果を融合する明らかな道路マッピングアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-02-05T18:14:36Z)
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)
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。