論文の概要: DeepAerialMapper: Deep Learning-based Semi-automatic HD Map Creation for Highly Automated Vehicles

• arxiv url: http://arxiv.org/abs/2410.00769v1
• Date: Tue, 1 Oct 2024 15:05:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-05 04:05:38.987274
• Title: DeepAerialMapper: Deep Learning-based Semi-automatic HD Map Creation for Highly Automated Vehicles
• Title（参考訳）: DeepAerialMapper:高度自動走行車のためのディープラーニングに基づく半自動HDマップ作成
• Authors: Robert Krajewski, Huijo Kim,
• Abstract要約: 高解像度空中画像からHDマップを作成するための半自動手法を提案する。 提案手法では, ニューラルネットワークを訓練して, 空中画像をHDマップに関連するクラスに意味的に分割する。 マップをLanelet2フォーマットにエクスポートすることで、さまざまなユースケースを簡単に拡張できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: High-definition maps (HD maps) play a crucial role in the development, safety validation, and operation of highly automated vehicles. Efficiently collecting up-to-date sensor data from road segments and obtaining accurate maps from these are key challenges in HD map creation. Commonly used methods, such as dedicated measurement vehicles and crowd-sourced data from series vehicles, often face limitations in commercial viability. Although high-resolution aerial imagery offers a cost-effective or even free alternative, it requires significant manual effort and time to transform it into maps. In this paper, we introduce a semi-automatic method for creating HD maps from high-resolution aerial imagery. Our method involves training neural networks to semantically segment aerial images into classes relevant to HD maps. The resulting segmentation is then hierarchically post-processed to generate a prototypical HD map of visible road elements. Exporting the map to the Lanelet2 format allows easy extension for different use cases using standard tools. To train and evaluate our method, we created a dataset using public aerial imagery of urban road segments in Germany. In our evaluation, we achieved an automatic mapping of lane markings and road borders with a recall and precision exceeding 96%. The source code for our method is publicly available at https://github.com/RobertKrajewski/DeepAerialMapper.
• Abstract（参考訳）: 高精細地図(HDマップ)は、高度自動車両の開発、安全性検証、運用において重要な役割を担っている。 道路セグメントから最新のセンサデータを効率よく収集し,これらから正確な地図を得ることは,HDマップ作成における重要な課題である。 専用の測定車両やシリーズ車両からのクラウドソースデータなどの一般的な手法は、商業的生存可能性の制限に直面していることが多い。 高解像度の空中画像は費用対効果や無料の代替手段を提供するが、地図化にはかなりの手作業と時間を要する。 本稿では,高解像度空中画像からHDマップを作成するための半自動手法を提案する。 提案手法では, ニューラルネットワークを訓練して, 空中画像をHDマップに関連するクラスに意味的に分割する。 得られたセグメンテーションは階層的に後処理され、可視な道路要素の原型HDマップを生成する。 マップをLanelet2フォーマットにエクスポートすることで、標準ツールを使用してさまざまなユースケースを簡単に拡張できる。 本手法を訓練し,評価するために,ドイツにおける都市道路セグメントの公共空間画像を用いたデータセットを作成した。 評価では,車線標識と道路境界の自動マッピングを96%以上の精度で達成した。 私たちのメソッドのソースコードはhttps://github.com/RobertKrajewski/DeepAerialMapper.comで公開されています。

関連論文リスト

• TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
  我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。 我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。 レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
  論文  参考訳（メタデータ） (2024-11-22T06:13:42Z)
• 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)
• SNAP: Self-Supervised Neural Maps for Visual Positioning and Semantic Understanding [57.108301842535894]
  我々は、地上と頭上の画像からリッチなニューラル2Dマップを学習するディープネットワークSNAPを紹介する。 我々は、異なる入力から推定されるニューラルマップの整列をトレーニングし、何千万ものストリートビュー画像のカメラポーズでのみ監視する。 SNAPは、従来の手法の範囲を超えて、挑戦的な画像クエリの場所を解決できる。
  論文  参考訳（メタデータ） (2023-06-08T17:54:47Z)
• csBoundary: City-scale Road-boundary Detection in Aerial Images for High-definition Maps [10.082536828708779]
  都市規模での道路境界の自動検出のためのcsBoundaryを提案する。 筆者らのネットワークは航空画像パッチを入力として,この画像から直接連続的な道路境界グラフを推定する。 私たちのcsBoundaryは、公開ベンチマークデータセットで評価され、比較されます。
  論文  参考訳（メタデータ） (2021-11-11T02:04:36Z)
• HDMapNet: An Online HD Map Construction and Evaluation Framework [23.19001503634617]
  HDマップの構築は自動運転にとって重要な問題である。 従来のHDマップは、多くのシナリオでは信頼性の低いセンチメートルレベルの正確な位置決めと結合している。 オンライン地図学習は、自動運転車に先立って意味と幾何学を提供するための、よりスケーラブルな方法である。
  論文  参考訳（メタデータ） (2021-07-13T18:06:46Z)
• HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
  HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。 実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。 高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
  論文  参考訳（メタデータ） (2021-06-28T17:59:30Z)
• 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)
• Automatic Building and Labeling of HD Maps with Deep Learning [18.9340830352492]
  生センサデータからラベル付きHDマップを生成する新しい手法を提案する。 その結果,提案した深層学習に基づく手法は,高精度なHDマップを作成できることがわかった。
  論文  参考訳（メタデータ） (2020-06-01T00:02:45Z)
• Lane Boundary Geometry Extraction from Satellite Imagery [2.0072624123275533]
  衛星画像の画素分割を用いたハイウェイHDマップのモデリング手法を提案する。 このデータセットは同時に公開され、空中画像からのHDマップモデリングの研究に貢献する。
  論文  参考訳（メタデータ） (2020-02-06T17:10:35Z)

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。