論文の概要: TopoLogic: An Interpretable Pipeline for Lane Topology Reasoning on Driving Scenes

• arxiv url: http://arxiv.org/abs/2405.14747v1
• Date: Thu, 23 May 2024 16:15:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 13:56:49.037278
• Title: TopoLogic: An Interpretable Pipeline for Lane Topology Reasoning on Driving Scenes
• Title（参考訳）: TopoLogic: 運転シーンにおけるレーントポロジー推論のための解釈可能なパイプライン
• Authors: Yanping Fu, Wenbin Liao, Xinyuan Liu, Hang xu, Yike Ma, Feng Dai, Yucheng Zhang,
• Abstract要約: レーン幾何距離とレーンクエリ類似度に基づくレーントポロジー推論の解釈可能な手法を提案する。 提案手法は,主要なベンチマークであるOpenLane-V2において,既存の最先端手法よりも大幅に優れています。 提案する幾何距離トポロジ推論法は, 再学習なしによく訓練されたモデルに組み込むことができる。
• 参考スコア（独自算出の注目度）: 27.930213859199473
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As an emerging task that integrates perception and reasoning, topology reasoning in autonomous driving scenes has recently garnered widespread attention. However, existing work often emphasizes "perception over reasoning": they typically boost reasoning performance by enhancing the perception of lanes and directly adopt MLP to learn lane topology from lane query. This paradigm overlooks the geometric features intrinsic to the lanes themselves and are prone to being influenced by inherent endpoint shifts in lane detection. To tackle this issue, we propose an interpretable method for lane topology reasoning based on lane geometric distance and lane query similarity, named TopoLogic. This method mitigates the impact of endpoint shifts in geometric space, and introduces explicit similarity calculation in semantic space as a complement. By integrating results from both spaces, our methods provides more comprehensive information for lane topology. Ultimately, our approach significantly outperforms the existing state-of-the-art methods on the mainstream benchmark OpenLane-V2 (23.9 v.s. 10.9 in TOP$_{ll}$ and 44.1 v.s. 39.8 in OLS on subset_A. Additionally, our proposed geometric distance topology reasoning method can be incorporated into well-trained models without re-training, significantly boost the performance of lane topology reasoning. The code is released at https://github.com/Franpin/TopoLogic.
• Abstract（参考訳）: 認識と推論を統合した新しいタスクとして、自律運転シーンにおけるトポロジ推論が近年注目を集めている。 しかし、既存の研究はしばしば「推論に対する知覚」を強調しており、車線知覚を高め、車線クエリから車線トポロジーを学習するために直接MLPを採用することで推論性能を高めるのが一般的である。 このパラダイムは、レーン自体に固有の幾何学的特徴を見落とし、レーン検出において固有のエンドポイントシフトの影響を受けやすい。 この問題に対処するために,車線幾何学的距離と車線クエリ類似性に基づく車線トポロジー推論の解釈可能な手法 TopoLogic を提案する。 この方法は、幾何学空間における終端シフトの影響を緩和し、補体として意味空間における明示的な類似性計算を導入する。 両空間からの結果を統合することで,この手法はレーントポロジーのより包括的な情報を提供する。 最終的に、我々のアプローチは、主要なベンチマークOpenLane-V2(23.9 v.s. 10.9 in TOP$_{ll}$と44.1 v.s.39.8 in subset_Aで既存の最先端メソッドよりも大幅に優れています。 さらに, 提案手法は, 軌道トポロジ推論の性能を大幅に向上させるため, 再学習を伴わずに, 十分に訓練されたモデルに組み込むことができる。 コードはhttps://github.com/Franpin/TopoLogic.comで公開されている。

関連論文リスト

• Sketch and Refine: Towards Fast and Accurate Lane Detection [69.63287721343907]
  レーン検出は、現実世界のシナリオの複雑さのため、困難なタスクである。 提案ベースであれキーポイントベースであれ,既存のアプローチでは,車線を効果的かつ効率的に表現することができない。 本稿では,キーポイント法と提案法の両方のメリットを活かした"Sketch-and-Refine"パラダイムを提案する。 実験の結果、我々のSRLaneは高速(278 FPS)で走ることができ、F1スコアは78.9%であることがわかった。
  論文  参考訳（メタデータ） (2024-01-26T09:28:14Z)
• 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)
• TopoMLP: A Simple yet Strong Pipeline for Driving Topology Reasoning [51.29906807247014]
  トポロジー推論は、道路シーンを理解し、自律運転における乾燥可能なルートを提示することを目的としている。 道路の中心線(車線)と交通要素を検出し、そのトポロジの関係、すなわち車線-車線トポロジと車線-交通トポロジを推論する必要がある。 トポロジー性能の上限を拡張するために,強力な3次元レーン検出器と改良された2次元交通要素検出器を導入する。
  論文  参考訳（メタデータ） (2023-10-10T16:24:51Z)
• Decoupling the Curve Modeling and Pavement Regression for Lane Detection [67.22629246312283]
  曲線に基づく車線表現は多くの車線検出法で一般的な手法である。 本稿では,曲線モデルと地上高さ回帰という2つの部分に分解することで,車線検出タスクに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-19T11:24:14Z)
• Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
  TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。 TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
  論文  参考訳（メタデータ） (2023-04-11T15:23:29Z)
• 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。