論文の概要: MapLocNet: Coarse-to-Fine Feature Registration for Visual Re-Localization in Navigation Maps

• arxiv url: http://arxiv.org/abs/2407.08561v1
• Date: Thu, 11 Jul 2024 14:51:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-12 17:00:06.444795
• Title: MapLocNet: Coarse-to-Fine Feature Registration for Visual Re-Localization in Navigation Maps
• Title（参考訳）: MapLocNet:ナビゲーションマップにおける視覚的再ローカライゼーションのための粗大な機能登録
• Authors: Hang Wu, Zhenghao Zhang, Siyuan Lin, Xiangru Mu, Qiang Zhao, Ming Yang, Tong Qin,
• Abstract要約: 伝統的なローカライゼーションアプローチは、正確に注釈付けされたランドマークからなる高定義(HD)マップに依存している。 本稿では,画像登録にインスパイアされたトランスフォーマーを用いたニューラルリローカライズ手法を提案する。 提案手法は, nuScenes と Argoverse の両方のデータセット上で, 現在最先端の OrienterNet を著しく上回っている。
• 参考スコア（独自算出の注目度）: 8.373285397029884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust localization is the cornerstone of autonomous driving, especially in challenging urban environments where GPS signals suffer from multipath errors. Traditional localization approaches rely on high-definition (HD) maps, which consist of precisely annotated landmarks. However, building HD map is expensive and challenging to scale up. Given these limitations, leveraging navigation maps has emerged as a promising low-cost alternative for localization. Current approaches based on navigation maps can achieve highly accurate localization, but their complex matching strategies lead to unacceptable inference latency that fails to meet the real-time demands. To address these limitations, we propose a novel transformer-based neural re-localization method. Inspired by image registration, our approach performs a coarse-to-fine neural feature registration between navigation map and visual bird's-eye view features. Our method significantly outperforms the current state-of-the-art OrienterNet on both the nuScenes and Argoverse datasets, which is nearly 10%/20% localization accuracy and 30/16 FPS improvement on single-view and surround-view input settings, separately. We highlight that our research presents an HD-map-free localization method for autonomous driving, offering cost-effective, reliable, and scalable performance in challenging driving environments.
• Abstract（参考訳）: ロバストなローカライゼーションは、特にGPS信号がマルチパスエラーに悩まされる都市環境では、自動運転の基盤となっている。 伝統的なローカライゼーションアプローチは、正確に注釈付けされたランドマークからなる高定義(HD)マップに依存している。 しかし、HDマップの構築は高価で、スケールアップは困難である。 これらの制限から、ナビゲーションマップの利用はローカライゼーションのための有望な低コストな代替手段として現れてきた。 ナビゲーションマップに基づく現在のアプローチは、高精度なローカライゼーションを実現することができるが、その複雑なマッチング戦略は、リアルタイムの要求を満たすのに失敗する、許容できない推論遅延につながる。 これらの制約に対処するために,新しいトランスフォーマーを用いたニューラルリローカライズ手法を提案する。 画像登録にインスパイアされた本手法では,ナビゲーションマップと視覚鳥眼視特徴との間の粗いニューラルネットワーク特徴登録を行う。 提案手法は, 局所化精度が10%/20%, 単一ビューとサラウンドビューの入力設定が30/16 FPS向上したnuScenesとArgoverseの両データセットにおいて, 最先端のOrienterNetを大幅に上回っている。 本研究は,自律運転のためのHDマップフリーなローカライゼーション手法を提案し,コスト効率,信頼性,スケーラブルな運転性能を実現する。

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)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• Online Map Vectorization for Autonomous Driving: A Rasterization Perspective [58.71769343511168]
  より優れた感度を有し,現実の自律運転シナリオに適した,新化に基づく評価指標を提案する。 また、精度の高い出力に微分可能化を適用し、HDマップの幾何学的監視を行う新しいフレームワークであるMapVR(Map Vectorization via Rasterization)を提案する。
  論文  参考訳（メタデータ） (2023-06-18T08:51:14Z)
• A Survey on Visual Map Localization Using LiDARs and Cameras [0.0]
  視覚マップのローカライゼーションを2段階プロセスとして定義する。 位置認識の段階では、視覚センサ出力とジオタグ付き地図領域の集合とを比較して、地図内の車両の初期位置を決定する。 地図距離定位の段階では、車両が地図を横切りながら追跡され、視界センサの出力と現在の地図の面積を連続的に調整する。
  論文  参考訳（メタデータ） (2022-08-05T20:11:18Z)
• Semantic Image Alignment for Vehicle Localization [111.59616433224662]
  単眼カメラからのセマンティックセグメンテーションを用いた高密度セマンティックマップにおける車両位置推定手法を提案する。 既存の視覚的ローカライゼーションアプローチとは対照的に、システムは追加のキーポイント機能、手作りのローカライゼーションランドマーク抽出器、高価なLiDARセンサーを必要としない。
  論文  参考訳（メタデータ） (2021-10-08T14:40:15Z)
• Coarse-to-fine Semantic Localization with HD Map for Autonomous Driving in Structural Scenes [1.1024591739346292]
  カメラを主センサとする自動運転のためのHDマップを用いたコスト効率の高い車両位置決めシステムを提案する。 視覚的セマンティクスをHDマップのランドマークにマップするデータアソシエーション問題として視覚に基づくローカライゼーションを定式化する。 本手法を2つのデータセット上で評価し,提案手法が異なる運転シナリオにおいて有望なローカライゼーション結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-07-06T11:58:55Z)
• 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)
• Trajectory Prediction for Autonomous Driving with Topometric Map [10.831436392239585]
  最先端の自動運転システムは、ローカライゼーションとナビゲーションのための高定義(HD)マップに依存している。 マップレス自動運転のためのエンドツーエンドトランスネットワークベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-09T08:16:16Z)
• 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)
• 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)

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。