論文の概要: Accurate Cooperative Localization Utilizing LiDAR-equipped Roadside Infrastructure for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2407.08384v1
- Date: Thu, 11 Jul 2024 10:44:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-12 17:49:33.806726
- Title: Accurate Cooperative Localization Utilizing LiDAR-equipped Roadside Infrastructure for Autonomous Driving
- Title（参考訳）: LiDARを用いた自動運転のための道路側インフラを用いた正確な協調的位置決め
- Authors: Yuze Jiang, Ehsan Javanmardi, Manabu Tsukada, Hiroshi Esaki,
- Abstract要約: LiDARは、センチメートルレベルの精度で車両のローカライズを容易にする。
これらの高精度な手法は、識別可能なマップ機能を持たない環境での信頼性上の課題に直面することが多い。
本稿では,道路側ユニット(RSU)と車両間通信(V2I)を併用して車両の自己位置決定を支援する手法を提案する。
- 参考スコア（独自算出の注目度）: 2.0499240875882
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent advancements in LiDAR technology have significantly lowered costs and improved both its precision and resolution, thereby solidifying its role as a critical component in autonomous vehicle localization. Using sophisticated 3D registration algorithms, LiDAR now facilitates vehicle localization with centimeter-level accuracy. However, these high-precision techniques often face reliability challenges in environments devoid of identifiable map features. To address this limitation, we propose a novel approach that utilizes road side units (RSU) with vehicle-to-infrastructure (V2I) communications to assist vehicle self-localization. By using RSUs as stationary reference points and processing real-time LiDAR data, our method enhances localization accuracy through a cooperative localization framework. By placing RSUs in critical areas, our proposed method can improve the reliability and precision of vehicle localization when the traditional vehicle self-localization technique falls short. Evaluation results in an end-to-end autonomous driving simulator AWSIM show that the proposed method can improve localization accuracy by up to 80% under vulnerable environments compared to traditional localization methods. Additionally, our method also demonstrates robust resistance to network delays and packet loss in heterogeneous network environments.
- Abstract（参考訳）: 近年のLiDAR技術の進歩はコストを大幅に削減し、精度と解像度の両方を改善し、自動運転車のローカライゼーションにおける重要な要素としての役割を固めている。
高度な3D登録アルゴリズムを使用して、LiDARはセンチメートルレベルの精度で車両のローカライゼーションを容易にする。
しかし、これらの高精度技術は、識別可能なマップ機能を持たない環境において、しばしば信頼性上の課題に直面している。
この制限に対処するため,道路側ユニット (RSU) と車両間通信 (V2I) を用いて車両の自己局所化を支援する手法を提案する。
RSUを定常基準点とし、リアルタイムLiDARデータを処理することにより、協調的な局所化フレームワークによる局所化精度を向上させる。
RSUを重要領域に配置することにより,従来の車両の自己位置決め技術が不十分な場合に,車両位置決めの信頼性と精度を向上させることができる。
エンド・ツー・エンドの自動運転シミュレータAWSIMによる評価結果から、従来のローカライゼーション手法と比較して、脆弱な環境下で最大80%のローカライゼーション精度を向上させることができることが示された。
さらに,異種ネットワーク環境におけるネットワーク遅延やパケットロスに対する頑健な耐性を示す。
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) - 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) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
本稿では,自動車用レーダセンサの自動校正手法を提案する。
本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。
実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
論文 参考訳（メタデータ） (2023-06-23T07:01:10Z) - TReR: A Lightweight Transformer Re-Ranking Approach for 3D LiDAR Place
Recognition [2.6619797838632966]
3D LiDARに基づくローカライズ手法では, 検索に基づく位置認識を用いて, 効率よく再訪場所を見つけることができる。
この研究は、情報検索の観点からこの問題に取り組み、ファーストレトリーブ・then-re-levelパラダイムを採用する。
提案手法は,場所認識モデルに依存せず,グローバルな記述子のみに依存する。
論文 参考訳（メタデータ） (2023-05-29T11:10:38Z) - Automated Static Camera Calibration with Intelligent Vehicles [58.908194559319405]
自動ジオレファレンスカメラキャリブレーションのためのロバストキャリブレーション法を提案する。
本手法では, フィルタ/RTK受信機と慣性測定ユニット(IMU)を組み合わせたキャリブレーション車両が必要である。
我々の手法は、インフラと車両の両方で記録された情報と人間との相互作用を一切必要としない。
論文 参考訳（メタデータ） (2023-04-21T08:50:52Z) - Markov Localisation using Heatmap Regression and Deep Convolutional
Odometry [59.33322623437816]
我々は,最新のディープラーニングハードウェアを活用する新しいCNNベースのローカライゼーション手法を提案する。
画像に基づくローカライゼーションと,1つのニューラルネットワーク内でのオドメトリーに基づく確率伝搬を行うハイブリッドCNNを作成する。
論文 参考訳（メタデータ） (2021-06-01T10:28:49Z) - Slip-Based Autonomous ZUPT through Gaussian Process to Improve Planetary
Rover Localization [2.4410222612390973]
ローバーの動作中に車輪のすべりを予測し,ローバーのハードウェアや主要ローバー操作を変更することなく停止する適切なタイミングを予測できる3次元デッドレコンディング手法を提案する。
私たちのアプローチが異なる地形タイプで実行可能であることをフィールドテストで検証し、荒れた地形上の650 mドライブよりも97%以上の3Dローカリゼーション精度を実現します。
論文 参考訳（メタデータ） (2021-03-13T01:05:13Z) - 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) - Visual Localization for Autonomous Driving: Mapping the Accurate
Location in the City Maze [16.824901952766446]
視覚的局所化のための新しい特徴投票手法を提案する。
本研究では,提案した特徴投票手法を,最先端の3つの視覚的ローカライゼーションネットワークに実装する。
当社のアプローチは、挑戦的な都市内設定においても、ロバストな位置予測を可能にします。
論文 参考訳（メタデータ） (2020-08-13T03:59:34Z) - DA4AD: End-to-End Deep Attention-based Visual Localization for
Autonomous Driving [19.02445537167235]
本稿では,自律運転のための新しい注目機能に基づく視覚的位置決めフレームワークを提案する。
提案手法は,LiDARに基づくローカライズソリューションと比較して,競合するローカライズ精度を実現する。
論文 参考訳（メタデータ） (2020-03-06T04:34:39Z)
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。