論文の概要: YOLinO++: Single-Shot Estimation of Generic Polylines for Mapless
Automated Diving
- arxiv url: http://arxiv.org/abs/2402.00989v1
- Date: Thu, 1 Feb 2024 20:10:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 18:08:00.105796
- Title: YOLinO++: Single-Shot Estimation of Generic Polylines for Mapless
Automated Diving
- Title(参考訳): YOLinO++: Mapless Automated Divingのためのジェネリックポリラインのシングルショット推定
- Authors: Annika Meyer and Christoph Stiller
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 6.752932360113276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In automated driving, highly accurate maps are commonly used to support and
complement perception. These maps are costly to create and quickly become
outdated as the traffic world is permanently changing. In order to support or
replace the map of an automated system with detections from sensor data, a
perception module must be able to detect the map features. We propose a neural
network that follows the one shot philosophy of YOLO but is designed for
detection of 1D structures in images, such as lane boundaries.
We extend previous ideas by a midpoint based line representation and anchor
definitions. This representation can be used to describe lane borders,
markings, but also implicit features such as centerlines of lanes. The broad
applicability of the approach is shown with the detection performance on lane
centerlines, lane borders as well as the markings both on highways and in urban
areas.
Versatile lane boundaries are detected and can be inherently classified as
dashed or solid lines, curb, road boundaries, or implicit delimitation.
- Abstract(参考訳): 自動走行では、高精度な地図は知覚のサポートと補足のために一般的に用いられる。
これらの地図は、交通の世界が永久に変化しているため、作成にコストがかかり、すぐに時代遅れになる。
自動システムのマップをセンサデータからの検知でサポートまたは置き換えるためには、知覚モジュールが地図の特徴を検出できなければならない。
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が,車線境界などの画像中の1次元構造を検出するように設計されている。
従来のアイデアを中間点ベースライン表現とアンカー定義で拡張する。
この表現は、車線境界、マーキング、および車線の中心線のような暗黙的な特徴を記述するために使われる。
このアプローチの広範な適用性は、車線中心線、車線境界、および高速道路と都市部の両方で検出されたマーキングによって示される。
垂直線境界は検出され、本質的に破断線または固形線、縁石、道路境界、暗黙の起伏に分類される。
関連論文リスト
- Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
車線検出は自律運転認識システムにおいて重要な役割を果たす。
ディープラーニングアルゴリズムが普及するにつれて、それらに基づく単眼車線検出法は優れた性能を示した。
本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
論文 参考訳(メタデータ) (2024-11-25T12:09:43Z) - 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) - 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) - 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) - FlowMap: Path Generation for Automated Vehicles in Open Space Using
Traffic Flow [32.8563901381583]
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。
論文 参考訳(メタデータ) (2023-05-02T17:27:37Z) - 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) - 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。