Fugu-MT 論文翻訳(概要): Leveraging GNSS and Onboard Visual Data from Consumer Vehicles for Robust Road Network Estimation

論文の概要: Leveraging GNSS and Onboard Visual Data from Consumer Vehicles for Robust Road Network Estimation

arxiv url: http://arxiv.org/abs/2408.01640v1
Date: Sat, 3 Aug 2024 02:57:37 GMT
ステータス: 処理完了
システム内更新日: 2024-08-06 19:10:37.612185
Title: Leveraging GNSS and Onboard Visual Data from Consumer Vehicles for Robust Road Network Estimation
Title（参考訳）: ロバスト道路網推定のための消費者車からGNSSと車載ビジュアルデータを活用する
Authors: Balázs Opra, Betty Le Dem, Jeffrey M. Walls, Dimitar Lukarski, Cyrill Stachniss,
Abstract要約: 本稿では,自動運転車における道路グラフ構築の課題について述べる。本稿では,これらの標準センサから取得したグローバルナビゲーション衛星システム(GNSS)のトレースと基本画像データについて提案する。我々は、畳み込みニューラルネットワークを用いて、道路中心のセマンティックセグメンテーションタスクとして問題をフレーミングすることで、データの空間情報を利用する。
参考スコア（独自算出の注目度）: 18.236615392921273
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Maps are essential for diverse applications, such as vehicle navigation and autonomous robotics. Both require spatial models for effective route planning and localization. This paper addresses the challenge of road graph construction for autonomous vehicles. Despite recent advances, creating a road graph remains labor-intensive and has yet to achieve full automation. The goal of this paper is to generate such graphs automatically and accurately. Modern cars are equipped with onboard sensors used for today's advanced driver assistance systems like lane keeping. We propose using global navigation satellite system (GNSS) traces and basic image data acquired from these standard sensors in consumer vehicles to estimate road-level maps with minimal effort. We exploit the spatial information in the data by framing the problem as a road centerline semantic segmentation task using a convolutional neural network. We also utilize the data's time series nature to refine the neural network's output by using map matching. We implemented and evaluated our method using a fleet of real consumer vehicles, only using the deployed onboard sensors. Our evaluation demonstrates that our approach not only matches existing methods on simpler road configurations but also significantly outperforms them on more complex road geometries and topologies. This work received the 2023 Woven by Toyota Invention Award.
Abstract（参考訳）: 地図は、車両ナビゲーションや自律ロボット工学など、多様な用途に欠かせない。どちらも効果的なルート計画とローカライゼーションのための空間モデルを必要とする。本稿では,自動運転車における道路グラフ構築の課題について述べる。最近の進歩にもかかわらず、道路グラフの作成は労働集約的であり、まだ完全な自動化を達成できていない。本論文の目的は,そのようなグラフを自動的かつ正確に生成することである。現代の車は車線維持のような先進的な運転支援システムに使用されるセンサーを搭載している。我々は,これらの標準センサから得られたグローバルナビゲーション衛星システム(GNSS)のトレースと基本画像データを用いて,道路レベルの地図を最小限の努力で推定することを提案する。我々は、畳み込みニューラルネットワークを用いて、道路中心のセマンティックセグメンテーションタスクとして問題をフレーミングすることで、データの空間情報を利用する。また、データの時系列特性を利用して、マップマッチングを用いてニューラルネットワークの出力を洗練する。本手法を実車群で実装し,実車載センサーのみを用いて評価した。提案手法は, 道路構成の簡易化だけでなく, より複雑な道路測地やトポロジにも優れることを示す。この作品は2023年にToyota Invention AwardからWovenを受賞した。

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)
G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2023-12-13T23:06:30Z)
RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文参考訳（メタデータ） (2023-10-03T17:59:32Z)
Energy-Based Models for Cross-Modal Localization using Convolutional Transformers [52.27061799824835]
GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
論文参考訳（メタデータ） (2023-06-06T21:27:08Z)
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)
Exploring Map-based Features for Efficient Attention-based Vehicle Motion Prediction [3.222802562733787]
複数のエージェントの動作予測は、任意に複雑な環境において重要なタスクである。本稿では,効率的な注意モデルを用いてArgoverse 1.0ベンチマークで競合性能を実現する方法を示す。
論文参考訳（メタデータ） (2022-05-25T22:38:11Z)
Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文参考訳（メタデータ） (2021-09-16T13:10:27Z)
Radar-based Automotive Localization using Landmarks in a Multimodal Sensor Graph-based Approach [0.0]
本稿では,自動車用レーダによる局部化の問題に対処する。システムは抽象層としてランドマークとオドメトリ情報を使用する。単一のセマンティックランドマークマップが、すべてのセンサーで使用され、維持される。
論文参考訳（メタデータ） (2021-04-29T07:35:20Z)
Fusion of neural networks, for LIDAR-based evidential road mapping [3.065376455397363]
LIDARスキャンにおける道路検出に最適化された新しい畳み込みアーキテクチャであるRoadSegを紹介する。 RoadSegは、個々のLIDARポイントを道路に属するか、そうでないかを分類するために使用される。そこで本研究では,連続した道路検出結果を融合する明らかな道路マッピングアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-02-05T18:14:36Z)
Autonomous Navigation through intersections with Graph ConvolutionalNetworks and Conditional Imitation Learning for Self-driving Cars [10.080958939027363]
自動運転では、信号のない交差点を通るナビゲーションは難しい作業だ。ナビゲーションポリシー学習のための新しい分岐ネットワークG-CILを提案する。エンドツーエンドのトレーニング可能なニューラルネットワークは、より高い成功率と短いナビゲーション時間でベースラインを上回っています。
論文参考訳（メタデータ） (2021-02-01T07:33:12Z)
Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。本稿では,従来のアプローチのさらなる発展について述べる。複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文参考訳（メタデータ） (2020-08-09T09:26:30Z)

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。