論文の概要: PLCNet: Patch-wise Lane Correction Network for Automatic Lane Correction
in High-definition Maps
- arxiv url: http://arxiv.org/abs/2401.14024v1
- Date: Thu, 25 Jan 2024 09:17:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 15:23:31.850314
- Title: PLCNet: Patch-wise Lane Correction Network for Automatic Lane Correction
in High-definition Maps
- Title（参考訳）: PLCNet:高精細地図における自動線補正のためのパッチワイズ線補正ネットワーク
- Authors: Haiyang Peng, Yi Zhan, Benkang Wang, Hongtao Zhang
- Abstract要約: LiDAR位置割当を用いた視覚車線検出は,HDマップの初期車線取得の一般的な方法である。
誤った視界検出と粗いカメラ-LiDARキャリブレーションにより、初期車線は不確実範囲内の真の位置から逸脱する可能性がある。
局所LiDAR画像における初期車線点の位置を自動的に補正するパッチワイド車線補正ネットワーク(PLCNet)を提案する。
- 参考スコア（独自算出の注目度）: 3.2254697752999113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In High-definition (HD) maps, lane elements constitute the majority of
components and demand stringent localization requirements to ensure safe
vehicle navigation. Vision lane detection with LiDAR position assignment is a
prevalent method to acquire initial lanes for HD maps. However, due to
incorrect vision detection and coarse camera-LiDAR calibration, initial lanes
may deviate from their true positions within an uncertain range. To mitigate
the need for manual lane correction, we propose a patch-wise lane correction
network (PLCNet) to automatically correct the positions of initial lane points
in local LiDAR images that are transformed from point clouds. PLCNet first
extracts multi-scale image features and crops patch (ROI) features centered at
each initial lane point. By applying ROIAlign, the fix-sized ROI features are
flattened into 1D features. Then, a 1D lane attention module is devised to
compute instance-level lane features with adaptive weights. Finally, lane
correction offsets are inferred by a multi-layer perceptron and used to correct
the initial lane positions. Considering practical applications, our automatic
method supports merging local corrected lanes into global corrected lanes.
Through extensive experiments on a self-built dataset, we demonstrate that
PLCNet achieves fast and effective initial lane correction.
- Abstract（参考訳）: high-definition(hd)マップでは、車線要素がコンポーネントの大部分を占め、安全な車両のナビゲーションを確保するために要求の厳しいローカライズ要件を満たしている。
LiDAR位置割当を用いた視覚車線検出は,HDマップの初期車線取得の一般的な方法である。
しかし、誤った視界検出と粗いカメラ-LiDARキャリブレーションにより、初期車線は真の位置から不確実な範囲で逸脱する可能性がある。
手動レーン補正の必要性を軽減するために,ポイントクラウドから変換されたローカルライダー画像における初期レーンポイントの位置を自動的に補正するパッチワイズレーン補正ネットワーク(plcnet)を提案する。
PLCNetはまず,各初期車線点を中心とするマルチスケール画像特徴と作物パッチ(ROI)特徴を抽出する。
ROIAlignを適用することで、固定サイズのROI機能は1D機能にフラット化される。
次に、適応重み付きインスタンスレベルレーン特徴を計算するために、1次元レーン注意モジュールを考案する。
最後に、レーン補正オフセットを多層パーセプトロンにより推定し、初期レーン位置の補正に用いる。
実用的な用途を考えると,本手法では局所補正車線をグローバル補正車線に統合する。
自己構築データセットの広範な実験を通じて,PLCNetが高速かつ効果的な初期車線補正を実現することを示す。
関連論文リスト
- LMT-Net: Lane Model Transformer Network for Automated HD Mapping from Sparse Vehicle Observations [11.395749549636868]
Lane Model Transformer Network (LMT-Net) は、エンコーダとデコーダのニューラルネットワークアーキテクチャであり、ポリリン符号化を実行し、レーンペアとその接続性を予測する。
我々は、複数の車両観測と、地上真実(GT)としての人間のアノテーションからなる内部データセット上でのLMT-Netの性能を評価する。
論文 参考訳（メタデータ） (2024-09-19T02:14:35Z) - LDTR: Transformer-based Lane Detection with Anchor-chain Representation [11.184960972042406]
限定的あるいは非視覚的な車線検出シナリオは、自動走行において依然として困難で不可欠である。
これらの問題に対処するためのトランスモデルであるLDTRを提案する。
実験により、LDTRはよく知られたデータセット上で最先端の性能を達成することが示された。
論文 参考訳（メタデータ） (2024-03-21T12:29:26Z) - LaneSegNet: Map Learning with Lane Segment Perception for Autonomous
Driving [60.55208681215818]
道路構造の完全な表現を得るために,レーンセグメントを生成する最初のエンドツーエンドマッピングネットワークであるLaneSegNetを紹介した。
提案アルゴリズムは2つの重要な修正点を特徴としている。1つは、長距離特徴空間内の重要な領域の詳細をキャプチャするレーンアテンションモジュールである。
OpenLane-V2データセットでは、LaneSegNetは3つのタスクにまたがって大幅に向上している。
論文 参考訳（メタデータ） (2023-12-26T16:22:10Z) - 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) - CANet: Curved Guide Line Network with Adaptive Decoder for Lane
Detection [14.25512509311658]
本稿では,新しいトップダウン深層学習レーン検出手法であるCANETを提案する。
レーンのインスタンスは、U字型の曲線ガイド線上の熱マップによって、大域的な意味レベルで応答される。
次にCANETは条件付き畳み込みによりレーン全体の熱マップ応答を取得し、最後に適応デコーダを介してレーンを記述するために設定された点をデコードする。
論文 参考訳（メタデータ） (2023-04-23T05:54:44Z) - BSNet: Lane Detection via Draw B-spline Curves Nearby [21.40607319558899]
曲線に基づく車線検出手法を,車線表現のグローバル性と局所性の観点から再検討する。
我々は,グローバルな特徴とローカルな特徴の獲得を確実にするために,シンプルで効率的なネットワークBSNetを設計する。
提案手法は,Tusimple,CULane,LLAMASデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2023-01-17T14:25:40Z) - RCLane: Relay Chain Prediction for Lane Detection [76.62424079494285]
本稿では,リレーチェーン予測に基づく車線検出手法を提案する。
当社の戦略では,TuSimple,CULane,CurveLanes,LLAMASの4つの主要なベンチマーク上で,最先端の新たなベンチマークを確立することが可能です。
論文 参考訳（メタデータ） (2022-07-19T16:48:39Z) - A Keypoint-based Global Association Network for Lane Detection [47.93323407661912]
レーン検出は、レーンラインの複雑なトポロジー形状を予測し、異なる種類のレーンを同時に区別する必要がある、困難なタスクである。
新しい視点からレーン検出問題を定式化するためのグローバルアソシエーションネットワーク(GANet)を提案する。
F1スコアはCULaneが79.63%、Tusimpleデータセットが97.71%、高いFPSが97.71%である。
論文 参考訳（メタデータ） (2022-04-15T05:24:04Z) - CLRNet: Cross Layer Refinement Network for Lane Detection [36.10035201796672]
レーン検出における高レベル特徴と低レベル特徴の両面をフル活用することを目的としたCross Layer Refinement Network(CLRNet)を提案する。
CLRNetはまず、ハイレベルなセマンティック機能を備えたレーンを検出し、低レベルな機能に基づいて改善を行う。
新たなネットワーク設計に加えて,Line IoU損失(Line IoU損失)を導入し,車線全体を単位として局所化精度を向上させる。
論文 参考訳（メタデータ） (2022-03-19T16:11:35Z) - Laneformer: Object-aware Row-Column Transformers for Lane Detection [96.62919884511287]
Laneformerは、自動運転における車線検出に適したトランスフォーマーベースのアーキテクチャである。
様々な視覚タスクにおけるトランスフォーマーエンコーダ・デコーダアーキテクチャの最近の進歩に触発されて、我々は新しいエンドツーエンドのLaneformerアーキテクチャの設計を進める。
論文 参考訳（メタデータ） (2022-03-18T10:14:35Z) - 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)
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。