論文の概要: Semantic Map Learning of Traffic Light to Lane Assignment based on
Motion Data
- arxiv url: http://arxiv.org/abs/2309.14793v2
- Date: Thu, 28 Sep 2023 08:20:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-29 10:48:20.510304
- Title: Semantic Map Learning of Traffic Light to Lane Assignment based on
Motion Data
- Title(参考訳): 動きデータに基づく車線配置への信号のセマンティックマップ学習
- Authors: Thomas Monninger, Andreas Weber, Steffen Staab
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 12.853720506838043
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding which traffic light controls which lane is crucial to navigate
intersections safely. Autonomous vehicles commonly rely on High Definition (HD)
maps that contain information about the assignment of traffic lights to lanes.
The manual provisioning of this information is tedious, expensive, and not
scalable. To remedy these issues, our novel approach derives the assignments
from traffic light states and the corresponding motion patterns of vehicle
traffic. This works in an automated way and independently of the geometric
arrangement. We show the effectiveness of basic statistical approaches for this
task by implementing and evaluating a pattern-based contribution method. In
addition, our novel rejection method includes accompanying safety
considerations by leveraging statistical hypothesis testing. Finally, we
propose a dataset transformation to re-purpose available motion prediction
datasets for semantic map learning. Our publicly available API for the Lyft
Level 5 dataset enables researchers to develop and evaluate their own
approaches.
- Abstract(参考訳): どの車線が交差点を安全に移動するのに不可欠かを理解する。
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。
この情報の手動プロビジョニングは退屈で高価であり、スケーラブルではない。
この問題に対処するため,提案手法では,車両の信号状態と対応する移動パターンから課題を導出する。
これは幾何学的配置とは独立して、自動化された方法で動作する。
本稿では,パターンに基づく貢献手法を実装し評価することで,この課題に対する基本的な統計的アプローチの有効性を示す。
また,提案手法は,統計的仮説テストを活用することで安全性を考慮に入れた。
最後に,セマンティックマップ学習のための動き予測データセットを再利用するためのデータセット変換を提案する。
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。
関連論文リスト
- Improved LiDAR Odometry and Mapping using Deep Semantic Segmentation and
Novel Outliers Detection [1.0334138809056097]
高速移動プラットフォームのためのLOAMアーキテクチャに基づくリアルタイムLiDARオドメトリーとマッピングのための新しいフレームワークを提案する。
本フレームワークは,ディープラーニングモデルによって生成された意味情報を用いて,ポイント・ツー・ラインとポイント・ツー・プレーンのマッチングを改善する。
高速動作に対するLiDARオドメトリーのロバスト性に及ぼすマッチング処理の改善効果について検討した。
論文 参考訳(メタデータ) (2024-03-05T16:53:24Z) - 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) - OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。
OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。
様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
論文 参考訳(メタデータ) (2023-04-20T16:31:22Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳(メタデータ) (2023-03-07T18:28:41Z) - A Hybrid Physics Machine Learning Approach for Macroscopic Traffic State
Estimation [20.716261308570555]
本稿では,革新的なトラフィック状態推定フレームワークを提案する。
入力として、交通センサからの限られた情報を使用し、正確でフルフィールドで推定された交通状況を構築する。
実験の結果,提案手法は実地交通情報を正確に推定できることが証明された。
論文 参考訳(メタデータ) (2022-02-01T06:04:18Z) - Multistep traffic speed prediction: A deep learning based approach using
latent space mapping considering spatio-temporal dependencies [2.3204178451683264]
ITSは、過去のトラフィックデータと現在のトラフィックデータに基づいて、複数の時間ステップで正確なトラフィック予測を提供する、信頼性の高いトラフィック予測を必要とする。
深層学習に基づくアプローチは,空間的依存と時間的依存の両方を用いて開発されている。
提案手法は,最小誤差の60分前予測においても,正確な交通予測結果を提供することがわかった。
論文 参考訳(メタデータ) (2021-11-03T10:17:48Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳(メタデータ) (2021-04-28T07:54:40Z) - 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) - Large-scale Analysis and Simulation of Traffic Flow using Markov Models [0.0]
交通分析に使用できる数学的に厳密なモデルが、他の研究者によって提案されている。
本稿では,2次元定常分布の概念を導入して,新しいパラメトリゼーションを提案する。
我々は,中規模および大規模でシミュレーションを行い,人工的および実データに基づくモデルと推定手法の両方が良好であることが証明された。
論文 参考訳(メタデータ) (2020-07-06T12:31:27Z) - Probabilistic Multi-modal Trajectory Prediction with Lane Attention for
Autonomous Vehicles [10.485790589381704]
軌道予測は自動運転車にとって不可欠である。
レーン表現のための新しいインスタンス認識表現を提案する。
提案したレーン表現とレーンアテンションモジュールは,広く使用されているエンコーダデコーダフレームワークに統合可能であることを示す。
論文 参考訳(メタデータ) (2020-07-06T07:57:23Z) - Action Sequence Predictions of Vehicles in Urban Environments using Map
and Social Context [152.0714518512966]
本研究は、現実の運転シナリオにおける周辺車両の今後の行動の順序を予測する問題について研究する。
最初のコントリビューションは、現実世界の運転シナリオに記録された軌跡をHDマップの助けを借りてアクションシーケンスに変換する自動手法である。
第2のコントリビューションは、よく知られたトラフィックエージェント追跡と予測データセットArgoverseへのメソッドの適用であり、結果として228,000のアクションシーケンスが生成される。
第3のコントリビューションは,交通エージェント,地図情報,社会状況の過去の位置と速度を,単一エンドツーエンドのトレーニング可能なニューラルネットワークに統合して,新たな行動シーケンス予測手法を提案することである。
論文 参考訳(メタデータ) (2020-04-29T14:59:58Z)
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。