論文の概要: Multi-LiDAR Localization and Mapping Pipeline for Urban Autonomous Driving

• arxiv url: http://arxiv.org/abs/2311.01823v1
• Date: Fri, 3 Nov 2023 10:24:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-06 14:36:59.373772
• Title: Multi-LiDAR Localization and Mapping Pipeline for Urban Autonomous Driving
• Title（参考訳）: 都市自律運転のためのマルチLiDAR位置決めとマッピングパイプライン
• Authors: Florian Sauerbeck, Dominik Kulmer, Markus Pielmeier, Maximilian Leitenstern, Christoph Wei{\ss}, Johannes Betz
• Abstract要約: 本稿では,LiDARセンサを用いたオフラインマッピングとオンラインローカライゼーションのための新しいセンサフュージョンベースパイプラインを提案する。 経路計画などのタスクを駆動する意味マップを生成する手法を提案する。 私たちのパイプラインは、与えられた研究車両と現実の自動運転アプリケーションに対して、最先端のアプローチよりも優れています。
• 参考スコア（独自算出の注目度）: 1.5728609542259502
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous vehicles require accurate and robust localization and mapping algorithms to navigate safely and reliably in urban environments. We present a novel sensor fusion-based pipeline for offline mapping and online localization based on LiDAR sensors. The proposed approach leverages four LiDAR sensors. Mapping and localization algorithms are based on the KISS-ICP, enabling real-time performance and high accuracy. We introduce an approach to generate semantic maps for driving tasks such as path planning. The presented pipeline is integrated into the ROS 2 based Autoware software stack, providing a robust and flexible environment for autonomous driving applications. We show that our pipeline outperforms state-of-the-art approaches for a given research vehicle and real-world autonomous driving application.
• Abstract（参考訳）: 自動運転車は、都市環境で安全かつ確実にナビゲートするために、正確で堅牢なローカライゼーションとマッピングアルゴリズムを必要とする。 オフラインマッピングとLiDARセンサに基づくオンラインローカライゼーションのための新しいセンサフュージョンベースパイプラインを提案する。 提案手法は4つのLiDARセンサを利用する。 マッピングとローカライズアルゴリズムはKISS-ICPに基づいており、リアルタイムのパフォーマンスと高精度を実現する。 経路計画などのタスクを駆動する意味マップを生成する手法を提案する。 提示されたパイプラインは、ROS 2ベースのAutowareソフトウェアスタックに統合され、自律運転アプリケーションのための堅牢で柔軟な環境を提供する。 私たちのパイプラインは、所定の研究車両と現実世界の自動運転アプリケーションに対して最先端のアプローチよりも優れています。

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)
• Leveraging GNSS and Onboard Visual Data from Consumer Vehicles for Robust Road Network Estimation [18.236615392921273]
  本稿では,自動運転車における道路グラフ構築の課題について述べる。 本稿では,これらの標準センサから取得したグローバルナビゲーション衛星システム(GNSS)のトレースと基本画像データについて提案する。 我々は、畳み込みニューラルネットワークを用いて、道路中心のセマンティックセグメンテーションタスクとして問題をフレーミングすることで、データの空間情報を利用する。
  論文  参考訳（メタデータ） (2024-08-03T02:57:37Z)
• Monocular Localization with Semantics Map for Autonomous Vehicles [8.242967098897408]
  低レベルのテクスチャ機能の代わりに安定したセマンティック機能を利用する新しい視覚的セマンティックローカライゼーションアルゴリズムを提案する。 まず、セマンティックマップは、カメラやLiDARセンサーを使用して、グラウンドマーカー、レーンライン、ポールなどのセマンティックオブジェクトを検出してオフラインで構築される。 オンラインの視覚的ローカライゼーションは意味的特徴とマップオブジェクトのデータアソシエーションによって行われる。
  論文  参考訳（メタデータ） (2024-06-06T08:12:38Z)
• ETPNav: Evolving Topological Planning for Vision-Language Navigation in Continuous Environments [56.194988818341976]
  視覚言語ナビゲーションは、エージェントが環境中をナビゲートするための指示に従う必要があるタスクである。 本研究では,1)環境を抽象化し,長距離航法計画を生成する能力,2)連続環境における障害物回避制御能力の2つの重要なスキルに焦点を当てたETPNavを提案する。 ETPNavは、R2R-CEとRxR-CEデータセットの先行技術よりも10%以上、20%改善されている。
  論文  参考訳（メタデータ） (2023-04-06T13:07:17Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense Forest Canopy [48.51396198176273]
  本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。 我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。 ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
  論文  参考訳（メタデータ） (2021-09-14T07:24:53Z)
• 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)
• Radar-based Automotive Localization using Landmarks in a Multimodal Sensor Graph-based Approach [0.0]
  本稿では,自動車用レーダによる局部化の問題に対処する。 システムは抽象層としてランドマークとオドメトリ情報を使用する。 単一のセマンティックランドマークマップが、すべてのセンサーで使用され、維持される。
  論文  参考訳（メタデータ） (2021-04-29T07:35:20Z)
• Learning to Localize Using a LiDAR Intensity Map [87.04427452634445]
  自動運転車のリアルタイム・キャリブレーション非依存・効果的なローカライズシステムを提案する。 私たちの方法は、オンラインLiDARスイープと強度マップをジョイントディープ埋め込みスペースに埋め込む方法を学びます。 システム全体の動作は15hzで,さまざまなlidarセンサや環境においてセンチメートルレベルの精度を実現しています。
  論文  参考訳（メタデータ） (2020-12-20T11:56:23Z)
• A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge [49.976633450740145]
  本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。 我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
  論文  参考訳（メタデータ） (2020-10-23T18:07:48Z)

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。