論文の概要: Complementing Onboard Sensors with Satellite Map: A New Perspective for
HD Map Construction
- arxiv url: http://arxiv.org/abs/2308.15427v1
- Date: Tue, 29 Aug 2023 16:33:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 13:12:44.055040
- Title: Complementing Onboard Sensors with Satellite Map: A New Perspective for
HD Map Construction
- Title(参考訳): 衛星マップによる搭載センサの補完:hdマップ構築のための新しい展望
- Authors: Wenjie Gao, Jiawei Fu, Haodong Jing, and Nanning Zheng
- Abstract要約: 衛星地図を用いた車載センサの補足により,HDマップ構築法の性能が向上することを示す。
本稿では,衛星地図情報と既存手法との融合性を向上する階層型融合モジュールを提案する。
拡張nuScenesデータセットの実験結果は、既存の3つのHDマップ構築方法へのモジュールのシームレスな統合を示している。
- 参考スコア(独自算出の注目度): 28.87117787166044
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-Definition (HD) maps play a crucial role in autonomous driving systems.
Recent methods have attempted to construct HD maps in real-time based on
information obtained from vehicle onboard sensors. However, the performance of
these methods is significantly susceptible to the environment surrounding the
vehicle due to the inherent limitation of onboard sensors, such as weak
capacity for long-range detection. In this study, we demonstrate that
supplementing onboard sensors with satellite maps can enhance the performance
of HD map construction methods, leveraging the broad coverage capability of
satellite maps. For the purpose of further research, we release the satellite
map tiles as a complementary dataset of nuScenes dataset. Meanwhile, we propose
a hierarchical fusion module that enables better fusion of satellite maps
information with existing methods. Specifically, we design an attention mask
based on segmentation and distance, applying the cross-attention mechanism to
fuse onboard Bird's Eye View (BEV) features and satellite features in
feature-level fusion. An alignment module is introduced before concatenation in
BEV-level fusion to mitigate the impact of misalignment between the two
features. The experimental results on the augmented nuScenes dataset showcase
the seamless integration of our module into three existing HD map construction
methods. It notably enhances their performance in both HD map semantic
segmentation and instance detection tasks.
- Abstract(参考訳): 高精細(HD)マップは自動運転システムにおいて重要な役割を果たす。
近年,車載センサから得られる情報をもとに,HDマップをリアルタイムに構築する手法が提案されている。
しかし、長距離検出の能力が弱いなど、車載センサに固有の制限があるため、これらの手法の性能は車両周辺の環境に著しく影響を受けやすい。
本研究では,衛星地図を用いた搭載センサの補足により,衛星地図の広範な網羅性を活用して,HDマップ構築手法の性能を向上させることを実証する。
さらなる研究のために、我々はnuScenesデータセットの補完データセットとして衛星地図タイルをリリースする。
一方,衛星地図情報と既存手法との融合性を向上させる階層型融合モジュールを提案する。
具体的には,Bird's Eye View (BEV) 機能と衛星機能を機能レベル融合で融合させるために,セグメンテーションと距離に基づくアテンションマスクを設計し,クロスアテンション機構を適用した。
BEVレベルの融合で結合する前にアライメントモジュールを導入し、2つの特徴間のミスアライメントの影響を軽減する。
拡張nuScenesデータセットの実験結果は、既存の3つのHDマップ構築方法へのモジュールのシームレスな統合を示している。
これはHDマップセマンティックセグメンテーションとインスタンス検出タスクの両方のパフォーマンスを著しく向上させる。
関連論文リスト
- MambaAD: Exploring State Space Models for Multi-class Unsupervised Anomaly Detection [53.03687787922032]
長距離モデリングと線形効率の優れたマンバモデルが注目されている。
MambaADは、事前訓練されたエンコーダと(Locality-Enhanced State Space)LSSモジュールをマルチスケールで備えたMambaデコーダで構成されている。
提案したLSSモジュールは、並列カスケード(Hybrid State Space) HSSブロックとマルチカーネル畳み込み操作を統合し、長距離情報とローカル情報の両方を効果的にキャプチャする。
論文 参考訳(メタデータ) (2024-04-09T18:28:55Z) - Energy-Based Models for Cross-Modal Localization using Convolutional
Transformers [52.27061799824835]
GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。
本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。
我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
論文 参考訳(メタデータ) (2023-06-06T21:27:08Z) - HUM3DIL: Semi-supervised Multi-modal 3D Human Pose Estimation for
Autonomous Driving [95.42203932627102]
3Dの人間のポーズ推定は、自動運転車が歩行者の微妙で複雑な振る舞いを知覚し理解できるようにする新しい技術である。
提案手法は,これらの補完信号を半教師付き方式で効率的に利用し,既存の手法よりも大きなマージンで性能を向上する。
具体的には、LiDAR点を画素整列マルチモーダル特徴に埋め込み、トランスフォーマーの精細化段階を経る。
論文 参考訳(メタデータ) (2022-12-15T11:15:14Z) - SuperFusion: Multilevel LiDAR-Camera Fusion for Long-Range HD Map
Generation and Prediction [21.061273391348376]
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。
論文 参考訳(メタデータ) (2022-11-28T18:59:02Z) - MapFusion: A General Framework for 3D Object Detection with HDMaps [17.482961825285013]
現代の3Dオブジェクトディテクタパイプラインにマップ情報を統合するためのMapFusionを提案します。
マップ情報を融合することにより、3つの強力な3dオブジェクト検出ベースラインで平均精度(map)が1.27ポイントから2.79ポイント向上する。
論文 参考訳(メタデータ) (2021-03-10T08:36:59Z) - 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) - UAV LiDAR Point Cloud Segmentation of A Stack Interchange with Deep
Neural Networks [26.9629258425327]
本研究では,新しい無人航空機(UAV)光検出・照準システム(LiDAR)によって収集された点雲について検討した。
ポイントクラウドを分類するために、エンドツーエンドで教師付き3Dディープラーニングフレームワークが提案された。
提案手法は,重畳畳み込みを伴う複雑な交換シナリオにおける3次元特徴を抽出し,93%以上の分類精度を達成した。
論文 参考訳(メタデータ) (2020-10-21T16:15:41Z) - Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。
エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。
われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
論文 参考訳(メタデータ) (2020-08-21T03:16:51Z) - siaNMS: Non-Maximum Suppression with Siamese Networks for Multi-Camera
3D Object Detection [65.03384167873564]
サイムズネットワークは、よく知られた3Dオブジェクト検出器アプローチのパイプラインに統合される。
アソシエーションはオブジェクトの3Dボックスレグレッションを強化するために利用される。
nuScenesデータセットの実験的評価は,提案手法が従来のNMS手法よりも優れていることを示している。
論文 参考訳(メタデータ) (2020-02-19T15:32:38Z)
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。