論文の概要: SMART: Advancing Scalable Map Priors for Driving Topology Reasoning

• arxiv url: http://arxiv.org/abs/2502.04329v1
• Date: Thu, 06 Feb 2025 18:59:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:31:36.286548
• Title: SMART: Advancing Scalable Map Priors for Driving Topology Reasoning
• Title（参考訳）: SMART: トポロジ推論を駆動するためのスケーラブルなマップ優先順位の改善
• Authors: Junjie Ye, David Paz, Hengyuan Zhang, Yuliang Guo, Xinyu Huang, Henrik I. Christensen, Yue Wang, Liu Ren,
• Abstract要約: トポロジー推論は、車線と交通要素間の接続と関係の包括的理解を可能にするため、自動運転にとって不可欠である。 近年,車両搭載センサを用いた運転トポロジの知覚に成功している。 スケーラブルな車線知覚とトポロジー推論の鍵となる要素は、このセンサ依存的特徴の排除である。
• 参考スコア（独自算出の注目度）: 24.614973933683352
• License:
• Abstract: Topology reasoning is crucial for autonomous driving as it enables comprehensive understanding of connectivity and relationships between lanes and traffic elements. While recent approaches have shown success in perceiving driving topology using vehicle-mounted sensors, their scalability is hindered by the reliance on training data captured by consistent sensor configurations. We identify that the key factor in scalable lane perception and topology reasoning is the elimination of this sensor-dependent feature. To address this, we propose SMART, a scalable solution that leverages easily available standard-definition (SD) and satellite maps to learn a map prior model, supervised by large-scale geo-referenced high-definition (HD) maps independent of sensor settings. Attributed to scaled training, SMART alone achieves superior offline lane topology understanding using only SD and satellite inputs. Extensive experiments further demonstrate that SMART can be seamlessly integrated into any online topology reasoning methods, yielding significant improvements of up to 28% on the OpenLane-V2 benchmark.
• Abstract（参考訳）: トポロジー推論は、車線と交通要素間の接続と関係の包括的理解を可能にするため、自動運転にとって不可欠である。 最近のアプローチでは、車両搭載センサーによる運転トポロジの知覚に成功しているが、そのスケーラビリティは、一貫したセンサー構成によってキャプチャされたトレーニングデータに依存することにより妨げられている。 スケーラブルな車線知覚とトポロジー推論の鍵となる要素は、このセンサ依存的特徴の排除である。 そこで本研究では,センサ設定に依存しない大規模ジオレファレンスハイデファレンス(HD)マップによって教師される地図事前モデルを学習するために,SDと衛星マップを利用するスケーラブルなソリューションSMARTを提案する。 SMART単独では、SDと衛星入力のみを使用して、オフラインレーントポロジーの優れた理解を実現する。 広範な実験により、SMARTはあらゆるオンライントポロジ推論手法にシームレスに統合され、OpenLane-V2ベンチマークで最大28%の大幅な改善が達成された。

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)
• LLMSense: Harnessing LLMs for High-level Reasoning Over Spatiotemporal Sensor Traces [1.1137304094345333]
  我々は,大規模言語モデル(LLM)の高レベル推論タスクに有効なプロンプトフレームワークを設計する。 また,長いセンサトレースによる性能向上のための2つの戦略を設計する。 当社のフレームワークはエッジクラウドで実装可能で,データ要約やプライバシ保護のためにクラウド上での高レベルの推論を行うために,エッジ上で小さなLLMを実行することができる。
  論文  参考訳（メタデータ） (2024-03-28T22:06:04Z)
• Augmenting Lane Perception and Topology Understanding with Standard Definition Navigation Maps [51.24861159115138]
  Standard Definition (SD) マップは、より安価で、世界中でカバーでき、スケーラブルな代替手段を提供する。 本稿では,オンライン地図予測にSDマップを統合する新しいフレームワークを提案し,Transformer を用いたエンコーダ SD Map Representations を提案する。 この拡張は、現在の最先端のオンラインマップ予測手法におけるレーン検出とトポロジー予測を一貫して(最大60%まで)大幅に向上させる。
  論文  参考訳（メタデータ） (2023-11-07T15:42:22Z)
• Cognitive TransFuser: Semantics-guided Transformer-based Sensor Fusion for Improved Waypoint Prediction [38.971222477695214]
  RGB-LIDARベースのマルチタスク機能融合ネットワークであるCognitive TransFuserは、安全で完全な道路ナビゲーションのために、ベースラインネットワークを大幅に拡張し、超える。 提案したネットワークをCown05 Short と Town05 Long Benchmarkで広範囲な実験により検証し,44.2 FPSのリアルタイム推論時間を実現した。
  論文  参考訳（メタデータ） (2023-08-04T03:59:10Z)
• 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)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Plants Don't Walk on the Street: Common-Sense Reasoning for Reliable Semantic Segmentation [0.7696728525672148]
  我々は,交通シーンのオブジェクト間の関係を高レベルの抽象化で記述するために,部分的に設計され,部分的に学習されたルールセットを使用することを提案する。 これにより、低レベルのセンサー情報を消費する既存のディープニューラルネットワークを改善し、強化する。
  論文  参考訳（メタデータ） (2021-04-19T12:51:06Z)
• Lite-HDSeg: LiDAR Semantic Segmentation Using Lite Harmonic Dense Convolutions [2.099922236065961]
  完全3ドルのLiDAR点雲のセマンティックセグメンテーションのための,新しいリアルタイム畳み込みニューラルネットワークLite-HDSegを提案する。 提案手法は,リアルタイムに動作可能な意味セグメンテーション手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-16T04:54:57Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)

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。