論文の概要: ML Updates for OpenStreetMap: Analysis of Research Gaps and Future Directions
- arxiv url: http://arxiv.org/abs/2407.03365v1
- Date: Fri, 28 Jun 2024 23:51:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 22:09:04.967821
- Title: ML Updates for OpenStreetMap: Analysis of Research Gaps and Future Directions
- Title（参考訳）: OpenStreetMapのMLアップデート - 研究ギャップの分析と今後の方向性
- Authors: Lasith Niroshan, James D. Carswell,
- Abstract要約: 正確な最新の地図を維持することは、あらゆる動的な都市景観において重要である。
従来の(主に手動の)マップ生産とクラウドソースのマッピング手法は、構築された環境の急速な変化とペースを維持するのに依然として苦労している。
GoogleやMicrosoftのようなテクノロジーの巨人は、この現代のマッピング問題に対処するための機械学習(ML)技術の調査をすでに始まっている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Maintaining accurate, up-to-date maps is important in any dynamic urban landscape, supporting various aspects of modern society, such as urban planning, navigation, and emergency response. However, traditional (i.e. largely manual) map production and crowdsourced mapping methods still struggle to keep pace with rapid changes in the built environment. Such manual mapping workflows are time-consuming and prone to human errors, leading to early obsolescence and/or the need for extensive auditing. The current map updating process in OpenStreetMap provides an example of this limitation, relying on numerous manual steps in its online map updating workflow. To address this, there is a need to explore automating the entire end-to-end map up-dating process. Tech giants such as Google and Microsoft have already started investigating Machine Learning (ML) techniques to tackle this contemporary mapping problem. This paper offers an analysis of these ML approaches, focusing on their application to updating Open-StreetMap in particular. By analysing the current state-of-the-art in this field, this study identi-fies some key research gaps and introduces DeepMapper as a practical solution for advancing the automatic online map updating process in the future.
- Abstract（参考訳）: 正確な最新の地図を維持することは、あらゆる動的な都市景観において重要であり、都市計画、ナビゲーション、緊急対応といった現代の社会の様々な側面を支えている。
しかし、従来の(主に手動の)マップ生産とクラウドソースマッピング手法は、構築された環境の急速な変化とペースを維持するのに依然として苦労している。
このような手動マッピングのワークフローは時間を要するため、人間のエラーを招きやすいため、早期の陳腐化や広範囲な監査の必要性が生じる。
OpenStreetMapの現在のマップ更新プロセスはこの制限の例を提供し、オンラインマップ更新ワークフローにおける多数の手動ステップに依存している。
これを解決するには、エンドツーエンドのマップの更新プロセス全体を自動化することを検討する必要がある。
GoogleやMicrosoftのようなテクノロジーの巨人は、この現代のマッピング問題に対処するための機械学習(ML)技術の調査をすでに始まっている。
本稿では、これらのMLアプローチの分析を行い、特にOpen-StreetMapの更新に焦点をあてる。
この分野での現在の技術状況を分析することで,DeepMapperを将来的なオンライン地図の自動更新プロセスの実践的ソリューションとして紹介する。
関連論文リスト
- Augmenting Lane Perception and Topology Understanding with Standard
Definition Navigation Maps [51.24861159115138]
Standard Definition (SD) マップは、より安価で、世界中でカバーでき、スケーラブルな代替手段を提供する。
本稿では,オンライン地図予測にSDマップを統合する新しいフレームワークを提案し,Transformer を用いたエンコーダ SD Map Representations を提案する。
この拡張は、現在の最先端のオンラインマップ予測手法におけるレーン検出とトポロジー予測を一貫して(最大60%まで)大幅に向上させる。
論文 参考訳（メタデータ） (2023-11-07T15:42:22Z) - Neural Map Prior for Autonomous Driving [17.198729798817094]
高精細(HD)セマンティックマップは、自動運転車が都市環境をナビゲートするために不可欠である。
オフラインのHDマップを作成する従来の方法には、労働集約的な手動アノテーションプロセスが含まれる。
近年,オンラインセンサを用いた局所地図作成手法が提案されている。
本研究では,グローバルマップのニューラル表現であるニューラルマッププライオリティ(NMP)を提案する。
論文 参考訳（メタデータ） (2023-04-17T17:58:40Z) - Haul Road Mapping from GPS Traces [0.0]
本稿では,道路網の正確な表現を,現場で運用されているトラックから取得したGPSデータを用いて自動的に導き出す可能性について検討する。
全ての試験アルゴリズムで見られる欠点に基づいて, 地雷の現場に典型的な工芸品の道路地図を幾何学的に解析するポストプロセッシング・ステップが開発された。
論文 参考訳（メタデータ） (2022-06-27T04:35:06Z) - EdgeMap: CrowdSourcing High Definition Map in Automotive Edge Computing [9.642145335196641]
レイテンシ要件を維持しながらネットワークリソースの使用を最小限に抑えるためのクラウドソーシングHDマップであるEdgeMapを提案する。
我々は、小型の時間スケールで車両データを適応的にオフロードし、大規模な時間スケールでネットワークリソースを予約するDATEアルゴリズムを設計する。
その結果、EdgeMapは最先端のソリューションに比べて30%以上のリソース使用量を削減していることがわかった。
論文 参考訳（メタデータ） (2022-01-20T03:18:41Z) - Updating Street Maps using Changes Detected in Satellite Imagery [28.25061267734934]
本稿では,衛星画像の進行を経時的に反映し,精度を大幅に向上させる手法を提案する。
我々のアプローチはまず、異なるタイミングで撮影した衛星画像を比較して、視覚的に変化した物理的道路網の一部を特定する。
変更に基づくアプローチは,マップ更新エラー率を4倍に削減することを示す。
論文 参考訳（メタデータ） (2021-10-13T02:50:26Z) - Beyond Road Extraction: A Dataset for Map Update using Aerial Images [3.993449663756883]
地図更新タスクのためのMUNO21と呼ばれる新しいデータセットを開発した。
MUNO21上での最先端道路抽出手法について検討した。
論文 参考訳（メタデータ） (2021-10-10T03:05:42Z) - MP3: A Unified Model to Map, Perceive, Predict and Plan [84.07678019017644]
MP3は、入力が生のセンサーデータと高レベルのコマンドであるマップレス運転に対するエンドツーエンドのアプローチである。
提案手法は, より安全で, 快適であり, 長期クローズループシミュレーションにおいて, ベースラインよりもコマンドを追従できることを示す。
論文 参考訳（メタデータ） (2021-01-18T00:09:30Z) - 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) - Deploying machine learning to assist digital humanitarians: making image
annotation in OpenStreetMap more efficient [72.44260113860061]
本稿では,OpenStreetMapにおけるボランティアの作業を支援し,最適化するためのインタラクティブな手法を提案する。
提案手法は,OSMのボランティアが検証・修正するために必要なデータ量を大幅に削減する。
論文 参考訳（メタデータ） (2020-09-17T10:05:30Z) - OpenStreetMap: Challenges and Opportunities in Machine Learning and
Remote Sensing [66.23463054467653]
本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。
私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
論文 参考訳（メタデータ） (2020-07-13T09:58:14Z) - A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence [48.67755344239951]
包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
論文 参考訳（メタデータ） (2020-06-22T19:01:21Z)
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。