論文の概要: InterLoc: LiDAR-based Intersection Localization using Road Segmentation with Automated Evaluation Method
- arxiv url: http://arxiv.org/abs/2505.00512v1
- Date: Thu, 01 May 2025 13:30:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:55.312074
- Title: InterLoc: LiDAR-based Intersection Localization using Road Segmentation with Automated Evaluation Method
- Title（参考訳）: InterLoc: LiDAR-based Intersection Localization using Road Segmentation with Automated Evaluation Method
- Authors: Nguyen Hoang Khoi Tran, Julie Stephany Berrio, Mao Shan, Zhenxing Ming, Stewart Worrall,
- Abstract要約: 本稿では,LiDARを用いた交差点検出手法を提案する。
セマンティック道路セグメンテーションと車両のローカライゼーションを融合して交差点候補を検出する。
平均的なローカライゼーション誤差は1.9m、89%の精度、そして77%のリコールを5mトレランスで達成し、最新の学習ベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 10.561470037080177
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intersections are geometric and functional key points in every road network. They offer strong landmarks to correct GNSS dropouts and anchor new sensor data in up-to-date maps. Despite that importance, intersection detectors either ignore the rich semantic information already computed onboard or depend on scarce, hand-labeled intersection datasets. To close that gap, this paper presents a LiDAR-based method for intersection detection that (i) fuses semantic road segmentation with vehicle localization to detect intersection candidates in a bird's eye view (BEV) representation and (ii) refines those candidates by analyzing branch topology with a least squares formulation. To evaluate our method, we introduce an automated benchmarking pipeline that pairs detections with OpenStreetMap (OSM) intersection nodes using precise GNSS/INS ground-truth poses. Tested on eight SemanticKITTI sequences, the approach achieves a mean localization error of 1.9 m, 89% precision, and 77% recall at a 5 m tolerance, outperforming the latest learning-based baseline. Moreover, the method is robust to segmentation errors higher than those of the benchmark model, demonstrating its applicability in the real world.
- Abstract（参考訳）: インターセクションは、すべての道路ネットワークにおける幾何学的および機能的キーポイントである。
GNSSのドロップアウトを補正し、最新の地図に新しいセンサーデータを固定するための、強力なランドマークを提供する。
その重要性にもかかわらず、交差点検出器は、既に計算されているリッチなセマンティック情報を無視するか、または少ない手書きの交差点データセットに依存している。
このギャップを埋めるために,LiDARを用いた交差点検出手法を提案する。
一 鳥眼ビュー(BEV)表現における交差点候補を検出するために、セマンティックロードセグメンテーションと車両位置決めを融合させる。
(ii) 分岐位相を最小二乗の定式化で解析することによりそれらの候補を洗練させる。
提案手法を評価するために,精密なGNSS/INSグラウンドトルースポーズを用いて,OpenStreetMap (OSM) 交差点ノードと検出をペアリングする自動ベンチマークパイプラインを提案する。
8つのSemanticKITTIシーケンスでテストした結果、平均的なローカライゼーション誤差は1.9m、精度は89%、リコール率は77%で、最新の学習ベースラインを上回っている。
さらに,本手法は,ベンチマークモデルよりも高いセグメンテーション誤差に対して頑健であり,実世界での適用性を示す。
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) - Improved LiDAR Odometry and Mapping using Deep Semantic Segmentation and
Novel Outliers Detection [1.0334138809056097]
高速移動プラットフォームのためのLOAMアーキテクチャに基づくリアルタイムLiDARオドメトリーとマッピングのための新しいフレームワークを提案する。
本フレームワークは,ディープラーニングモデルによって生成された意味情報を用いて,ポイント・ツー・ラインとポイント・ツー・プレーンのマッチングを改善する。
高速動作に対するLiDARオドメトリーのロバスト性に及ぼすマッチング処理の改善効果について検討した。
論文 参考訳（メタデータ） (2024-03-05T16:53:24Z) - Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。
提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。
提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
論文 参考訳（メタデータ） (2023-07-20T15:21:28Z) - Far Away in the Deep Space: Dense Nearest-Neighbor-Based
Out-of-Distribution Detection [33.78080060234557]
Nearest-Neighborsアプローチは、オブジェクト中心のデータドメインでうまく機能することが示されている。
近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近
論文 参考訳（メタデータ） (2022-11-12T13:32:19Z) - Improving Fuzzy-Logic based Map-Matching Method with Trajectory
Stay-Point Detection [3.093890460224435]
多くのGPS軌跡データセットには、静止点の不規則性が含まれており、地図マッチングアルゴリズムは、無関係な道路へのミスマッチ軌跡を作る。
我々は,DBSCANを用いた軌道データセット内の静止点をクラスタ化し,冗長データを排除し,マップマッチングアルゴリズムの効率を向上する。
提案手法は,従来のファジィ論理に基づくマップマッチング手法と同じ精度で,データサイズを27.39%削減し,処理時間を8.9%削減する。
論文 参考訳（メタデータ） (2022-08-04T20:41:13Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - Active Learning of Neural Collision Handler for Complex 3D Mesh
Deformations [68.0524382279567]
3次元変形メッシュにおける衝突の検出と処理を行う頑健な学習アルゴリズムを提案する。
提案手法は教師あり学習法より優れ, 精度は93.8-98.1%である。
論文 参考訳（メタデータ） (2021-10-08T04:08:31Z) - PSE-Match: A Viewpoint-free Place Recognition Method with Parallel
Semantic Embedding [9.265785042748158]
PSE-Matchは3次元ポイントクラウドモデルから分離されたセマンティック属性の並列意味解析に基づく視点自由場所認識手法である。
PSE-Matchは、分岐場所学習ネットワークを組み込んで、球面調和領域を通じて異なる意味的属性を並列にキャプチャする。
論文 参考訳（メタデータ） (2021-08-01T22:16:40Z) - Open-set Intersection Intention Prediction for Autonomous Driving [9.494867137826397]
交点における意図の予測をオープンセット予測問題として定式化する。
空間時間グラフ表現の下での交差構造に対応する地図中心の特徴を捉える。
2つのmaam (mutually auxiliary attention module) を用いて,マップ中心の特徴空間における交叉要素に最もよくマッチする目標を予測する。
論文 参考訳（メタデータ） (2021-02-27T06:38:26Z) - Graph Regularized Autoencoder and its Application in Unsupervised
Anomaly Detection [42.86693635734333]
本稿では,最小スパンニングツリー(MST)を用いて局所的な近傍構造を近似し,データ点間の構造保存距離を生成することを提案する。
我々は,20個のベンチマーク異常検出データセットに対して,多種多様な代替手法より優れた新しいグラフ正規化オートエンコーダを開発した。
論文 参考訳（メタデータ） (2020-10-29T21:17:41Z) - UC-Net: Uncertainty Inspired RGB-D Saliency Detection via Conditional
Variational Autoencoders [81.5490760424213]
データラベリングプロセスから学習することで、RGB-Dサリエンシ検出に不確実性を利用するための第1のフレームワーク(UCNet)を提案する。
そこで本研究では,サリエンシデータラベリングにヒントを得て,確率的RGB-Dサリエンシ検出ネットワークを提案する。
論文 参考訳（メタデータ） (2020-04-13T04:12:59Z) - Robust 6D Object Pose Estimation by Learning RGB-D Features [59.580366107770764]
本稿では、この局所最適問題を解くために、回転回帰のための離散連続的な新しい定式化を提案する。
我々はSO(3)の回転アンカーを均一にサンプリングし、各アンカーから目標への制約付き偏差を予測し、最適な予測を選択するための不確実性スコアを出力する。
LINEMOD と YCB-Video の2つのベンチマーク実験により,提案手法が最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2020-02-29T06:24:55Z)
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。