論文の概要: Pole-based Vehicle Localization with Vector Maps: A Camera-LiDAR Comparative Study

• arxiv url: http://arxiv.org/abs/2412.09649v1
• Date: Wed, 11 Dec 2024 09:05:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:03:46.534468
• Title: Pole-based Vehicle Localization with Vector Maps: A Camera-LiDAR Comparative Study
• Title（参考訳）: ベクトルマップを用いたポール型車両位置決め:カメラとLiDARの比較研究
• Authors: Maxime Noizet, Philippe Xu, Philippe Bonnifait,
• Abstract要約: 道路環境では、交通標識、信号機、街灯など多くの一般的な家具がポールの形をしている。 本稿では,自動アノテート画像に基づいて訓練された軽量ニューラルネットワークを用いて,カメラによるポール検出をリアルタイムに行う手法を提案する。 その結果,オープン道路環境における視線に基づくアプローチの精度が向上した。
• 参考スコア（独自算出の注目度）: 6.300346102366891
• License:
• Abstract: For autonomous navigation, accurate localization with respect to a map is needed. In urban environments, infrastructure such as buildings or bridges cause major difficulties to Global Navigation Satellite Systems (GNSS) and, despite advances in inertial navigation, it is necessary to support them with other sources of exteroceptive information. In road environments, many common furniture such as traffic signs, traffic lights and street lights take the form of poles. By georeferencing these features in vector maps, they can be used within a localization filter that includes a detection pipeline and a data association method. Poles, having discriminative vertical structures, can be extracted from 3D geometric information using LiDAR sensors. Alternatively, deep neural networks can be employed to detect them from monocular cameras. The lack of depth information induces challenges in associating camera detections with map features. Yet, multi-camera integration provides a cost-efficient solution. This paper quantitatively evaluates the efficacy of these approaches in terms of localization. It introduces a real-time method for camera-based pole detection using a lightweight neural network trained on automatically annotated images. The proposed methods' efficiency is assessed on a challenging sequence with a vector map. The results highlight the high accuracy of the vision-based approach in open road conditions.
• Abstract（参考訳）: 自律ナビゲーションには、地図に関する正確な位置決めが必要である。 都市環境においては、建物や橋などのインフラがグローバルナビゲーション衛星システム(GNSS)に大きな困難をもたらし、慣性ナビゲーションの進歩にもかかわらず、他の外部情報ソースで支援する必要がある。 道路環境では、交通標識、信号機、街灯など多くの一般的な家具がポールの形をしている。 これらの特徴をベクトルマップでジオレファレンスすることにより、検出パイプラインとデータアソシエーションメソッドを含むローカライズフィルタ内で使用できる。 識別垂直構造を持つポーは、LiDARセンサを用いて3次元幾何学情報から抽出することができる。 あるいは、ディープニューラルネットワークを使用して単眼カメラから検出することもできる。 深度情報の欠如は、カメラ検出と地図の特徴を関連付ける上での課題を引き起こす。 しかし、マルチカメラの統合はコスト効率のよいソリューションを提供する。 本稿では,これらの手法の有効性を局所化の観点から定量的に評価する。 自動アノテート画像に基づいてトレーニングされた軽量ニューラルネットワークを使用して、カメラベースのポール検出をリアルタイムに行う方法を紹介している。 提案手法の効率は,ベクトルマップを用いた挑戦列に基づいて評価する。 その結果,オープン道路環境における視線に基づくアプローチの精度が向上した。

関連論文リスト

• Tightly-Coupled, Speed-aided Monocular Visual-Inertial Localization in Topological Map [0.7373617024876725]
  本稿では,トポロジカルマップを用いた車両速度支援単眼視覚慣性位置推定のための新しいアルゴリズムを提案する。 提案システムは、GPSやLiDARのような高価なセンサーに大きく依存する既存の手法の限界に対処することを目的としている。
  論文  参考訳（メタデータ） (2024-11-08T11:55:27Z)
• 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)
• Map-aided annotation for pole base detection [0.0]
  本稿では2次元HDマップを用いて,画像中の極状特徴を自動的にアノテートする。 高さ情報がない場合、地図の特徴は地上のポールベースとして表現される。 ポールベースを検出するためにオブジェクト検出器をどのように訓練するかを示す。
  論文  参考訳（メタデータ） (2024-03-04T09:23:11Z)
• Pixel to Elevation: Learning to Predict Elevation Maps at Long Range using Images for Autonomous Offroad Navigation [10.898724668444125]
  本稿では,車載エゴセントリック画像のみをリアルタイムに利用して,長距離の地形標高マップを予測できる学習型アプローチを提案する。 複雑で非構造的な地形における自律型オフロードロボットナビゲーションへの提案手法の適用性を実験的に検証した。
  論文  参考訳（メタデータ） (2024-01-30T22:37:24Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Language-Guided 3D Object Detection in Point Cloud for Autonomous Driving [91.91552963872596]
  我々は,LiDARグラウンディングと呼ばれるマルチモーダルな視覚的グラウンドニングタスクを提案する。 言語特徴を持つLiDARベースの物体検出器を共同で学習し、検出器から直接対象領域を予測する。 私たちの研究は、LiDARベースの接地作業に関する深い洞察を提供しており、自動運転コミュニティにとって有望な方向性を示すものと期待しています。
  論文  参考訳（メタデータ） (2023-05-25T06:22:10Z)
• Neural Implicit Dense Semantic SLAM [83.04331351572277]
  本稿では,屋内シーンのメモリ効率,高密度な3次元形状,セマンティックセマンティックセグメンテーションをオンラインで学習する新しいRGBD vSLAMアルゴリズムを提案する。 私たちのパイプラインは、従来の3Dビジョンベースのトラッキングとループクローズとニューラルフィールドベースのマッピングを組み合わせたものです。 提案アルゴリズムはシーン認識を大幅に向上させ,様々なロボット制御問題を支援する。
  論文  参考訳（メタデータ） (2023-04-27T23:03:52Z)
• UNav: An Infrastructure-Independent Vision-Based Navigation System for People with Blindness and Low vision [4.128685217530067]
  視覚障害者のためのナビゲーション支援のための視覚に基づくローカライゼーションパイプラインを提案する。 モバイルアプリケーション上でエンドユーザが取得したクエリ画像に対して、パイプラインは視覚的位置認識(VPR)アルゴリズムを活用して、参照画像データベースで類似した画像を見つける。 カスタマイズされたユーザインタフェースは、一連の画像から構築された3D再構成されたスパースマップを、対応する2Dフロアプランに投影する。
  論文  参考訳（メタデータ） (2022-09-22T22:21:37Z)
• Satellite Image Based Cross-view Localization for Autonomous Vehicle [59.72040418584396]
  本稿では,市販の高精細衛星画像を使用可能な地図として利用することにより,良好な精度でクロスビュー車両のローカライゼーションを実現することができることを示す。 本手法はKITTIとFord Multi-AVの季節データセットを地上ビューとして,Google Mapsを衛星ビューとして検証した。
  論文  参考訳（メタデータ） (2022-07-27T13:16:39Z)
• 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)
• 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)

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。