論文の概要: Inferring Driving Maps by Deep Learning-based Trail Map Extraction

• arxiv url: http://arxiv.org/abs/2505.10258v1
• Date: Thu, 15 May 2025 13:09:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.319721
• Title: Inferring Driving Maps by Deep Learning-based Trail Map Extraction
• Title（参考訳）: ディープラーニングに基づくトレイルマップ抽出による運転地図の推定
• Authors: Michael Hubbertz, Pascal Colling, Qi Han, Tobias Meisen,
• Abstract要約: ハイデフィニション(HD)マップは、運転シーンに関する広範囲かつ正確な環境情報を提供する。 最近の傾向は、オフラインマッピングからオンラインマッピングへ移行し、使用済みマップの可用性と現実性を確保している。 ドライバが非公式に使用する経路をマップ作成プロセスに統合する,新たなオフラインマッピング手法を提案する。
• 参考スコア（独自算出の注目度）: 5.381140012327021
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-definition (HD) maps offer extensive and accurate environmental information about the driving scene, making them a crucial and essential element for planning within autonomous driving systems. To avoid extensive efforts from manual labeling, methods for automating the map creation have emerged. Recent trends have moved from offline mapping to online mapping, ensuring availability and actuality of the utilized maps. While the performance has increased in recent years, online mapping still faces challenges regarding temporal consistency, sensor occlusion, runtime, and generalization. We propose a novel offline mapping approach that integrates trails - informal routes used by drivers - into the map creation process. Our method aggregates trail data from the ego vehicle and other traffic participants to construct a comprehensive global map using transformer-based deep learning models. Unlike traditional offline mapping, our approach enables continuous updates while remaining sensor-agnostic, facilitating efficient data transfer. Our method demonstrates superior performance compared to state-of-the-art online mapping approaches, achieving improved generalization to previously unseen environments and sensor configurations. We validate our approach on two benchmark datasets, highlighting its robustness and applicability in autonomous driving systems.
• Abstract（参考訳）: ハイデフィニション(HD)マップは、運転シーンに関する広範囲かつ正確な環境情報を提供し、自動運転システム内での計画に不可欠な要素となる。 手動ラベリングによる広範囲の努力を避けるため、地図作成を自動化する手法が登場した。 最近の傾向は、オフラインマッピングからオンラインマッピングへ移行し、使用済みマップの可用性と現実性を確保している。 近年、パフォーマンスは向上しているが、オンラインマッピングは、時間的一貫性、センサーの排除、ランタイム、一般化に関する課題に直面している。 ドライバが非公式に使用する経路をマップ作成プロセスに統合する,新たなオフラインマッピング手法を提案する。 本手法は,トランスフォーマーに基づくディープラーニングモデルを用いて,エゴ車や他の交通機関からの軌跡データを集約し,包括的グローバルマップを構築する。 従来のオフラインマッピングとは異なり、センサに依存しないままの継続的更新を可能にし、効率的なデータ転送を可能にします。 提案手法は最先端のオンラインマッピング手法と比較して優れた性能を示し,これまで見られなかった環境やセンサ構成への一般化を実現している。 当社のアプローチを2つのベンチマークデータセットで検証し、自律運転システムにおける堅牢性と適用性を強調します。

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)
• Leveraging GNSS and Onboard Visual Data from Consumer Vehicles for Robust Road Network Estimation [18.236615392921273]
  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。
  論文  参考訳（メタデータ） (2024-08-03T02:57:37Z)
• Prior Based Online Lane Graph Extraction from Single Onboard Camera Image [133.68032636906133]
  単眼カメラ画像からレーングラフをオンラインに推定する。 前者は、トランスフォーマーベースのWasserstein Autoencoderを通じてデータセットから抽出される。 オートエンコーダは、最初のレーングラフ推定を強化するために使用される。
  論文  参考訳（メタデータ） (2023-07-25T08:58:26Z)
• Online Map Vectorization for Autonomous Driving: A Rasterization Perspective [58.71769343511168]
  より優れた感度を有し,現実の自律運転シナリオに適した,新化に基づく評価指標を提案する。 また、精度の高い出力に微分可能化を適用し、HDマップの幾何学的監視を行う新しいフレームワークであるMapVR(Map Vectorization via Rasterization)を提案する。
  論文  参考訳（メタデータ） (2023-06-18T08:51:14Z)
• Neural Map Prior for Autonomous Driving [17.198729798817094]
  高精細(HD)セマンティックマップは、自動運転車が都市環境をナビゲートするために不可欠である。 オフラインのHDマップを作成する従来の方法には、労働集約的な手動アノテーションプロセスが含まれる。 近年,オンラインセンサを用いた局所地図作成手法が提案されている。 本研究では,グローバルマップのニューラル表現であるニューラルマッププライオリティ(NMP)を提案する。
  論文  参考訳（メタデータ） (2023-04-17T17:58:40Z)
• Trajectory Prediction for Autonomous Driving with Topometric Map [10.831436392239585]
  最先端の自動運転システムは、ローカライゼーションとナビゲーションのための高定義(HD)マップに依存している。 マップレス自動運転のためのエンドツーエンドトランスネットワークベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-09T08:16:16Z)
• 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)
• 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。