論文の概要: TopoPoint: Enhance Topology Reasoning via Endpoint Detection in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2505.17771v1
• Date: Fri, 23 May 2025 11:42:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.036059
• Title: TopoPoint: Enhance Topology Reasoning via Endpoint Detection in Autonomous Driving
• Title（参考訳）: TopoPoint: 自律運転におけるエンドポイント検出によるトポロジ推論の促進
• Authors: Yanping Fu, Xinyuan Liu, Tianyu Li, Yike Ma, Yucheng Zhang, Feng Dai,
• Abstract要約: TopoPointは、堅牢なトポロジ推論のための、エンドポイントとレーンに対する共同理由を明示的に検出する新しいフレームワークである。 トレーニング中、ポイントとレーンクエリを独立に初期化し、グローバルなコンテキスト共有を強化するためにポイントレーン自己認識を提案する。 推定において,検出された点と車線間の距離を計算し,車線終点の精密化を行う点-車線幾何マッチングアルゴリズムを導入する。
• 参考スコア（独自算出の注目度）: 10.889692793133385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Topology reasoning, which unifies perception and structured reasoning, plays a vital role in understanding intersections for autonomous driving. However, its performance heavily relies on the accuracy of lane detection, particularly at connected lane endpoints. Existing methods often suffer from lane endpoints deviation, leading to incorrect topology construction. To address this issue, we propose TopoPoint, a novel framework that explicitly detects lane endpoints and jointly reasons over endpoints and lanes for robust topology reasoning. During training, we independently initialize point and lane query, and proposed Point-Lane Merge Self-Attention to enhance global context sharing through incorporating geometric distances between points and lanes as an attention mask . We further design Point-Lane Graph Convolutional Network to enable mutual feature aggregation between point and lane query. During inference, we introduce Point-Lane Geometry Matching algorithm that computes distances between detected points and lanes to refine lane endpoints, effectively mitigating endpoint deviation. Extensive experiments on the OpenLane-V2 benchmark demonstrate that TopoPoint achieves state-of-the-art performance in topology reasoning (48.8 on OLS). Additionally, we propose DET$_p$ to evaluate endpoint detection, under which our method significantly outperforms existing approaches (52.6 v.s. 45.2 on DET$_p$). The code is released at https://github.com/Franpin/TopoPoint.
• Abstract（参考訳）: 認識と構造的推論を統一するトポロジー推論は、自律運転のための交差点を理解する上で重要な役割を果たす。 しかし、その性能は特に接続された車線終端における車線検出の精度に大きく依存している。 既存の手法は、しばしばレーンの終端のずれに悩まされ、誤ったトポロジーの構築につながる。 この問題に対処するため,我々は,ロバストなトポロジ推論のために,レーンの終点と終点に対する共同理由を明示的に検出する新しいフレームワークであるTopoPointを提案する。 トレーニング中は,点と車線問合せを独立に初期化し,点と車線の間の幾何学的距離を注目マスクとして組み込むことで,グローバルなコンテキスト共有を強化するためにポイント・レーンマージ自己注意(Point-Lane Merge Self-Attention)を提案する。 我々はさらにポイントレーングラフ畳み込みネットワークを設計し、ポイントとレーンの問合せ間の相互機能集約を可能にする。 推定において,検出された点と車線間の距離を計算し,車線終端を改良し,効果的に終端偏差を緩和する点-車線幾何マッチングアルゴリズムを導入する。 OpenLane-V2ベンチマークでの大規模な実験により、トポロジ推論(48.8 on OLS)でTopoPointが最先端のパフォーマンスを達成することが示された。 さらに,DET$_p$を用いてエンドポイント検出の評価を行い,既存の手法(DET$_p$で52.6 v.s. 45.2)よりも優れていた。 コードはhttps://github.com/Franpin/TopoPoint.comで公開されている。

関連論文リスト

• Rethinking Lanes and Points in Complex Scenarios for Monocular 3D Lane Detection [21.886902999963727]
  本稿では,現在のスパースレーン表現法が固有の欠陥を含んでいることを検証するため,実験的な検証とともに理論的解析を行う。 この問題に対処するために,全車線構造を完全に表現する新しいパッチ方式を提案する。 モデルによる車線構造認識を高めるために,PL注意(Point Lane attention)を提案する。
  論文  参考訳（メタデータ） (2025-03-08T14:45:49Z)
• TopoLogic: An Interpretable Pipeline for Lane Topology Reasoning on Driving Scenes [27.930213859199473]
  レーン幾何距離とレーンクエリ類似度に基づくレーントポロジー推論の解釈可能な手法を提案する。 提案手法は,主要なベンチマークであるOpenLane-V2において,既存の最先端手法よりも大幅に優れています。 提案する幾何距離トポロジ推論法は, 再学習なしによく訓練されたモデルに組み込むことができる。
  論文  参考訳（メタデータ） (2024-05-23T16:15:17Z)
• LanePtrNet: Revisiting Lane Detection as Point Voting and Grouping on Curves [8.037214110171123]
  車線検出は、自動運転の分野において重要な役割を果たす。 本稿では,順序付き集合上での点投票とグループ化のプロセスとしてレーン検出を扱う新しいアプローチであるLanePtrNetを提案する。 提案手法の有効性を検証するための総合的な実験を行い,その性能を実証した。
  論文  参考訳（メタデータ） (2024-03-08T08:45:42Z)
• LaneSegNet: Map Learning with Lane Segment Perception for Autonomous Driving [60.55208681215818]
  道路構造の完全な表現を得るために,レーンセグメントを生成する最初のエンドツーエンドマッピングネットワークであるLaneSegNetを紹介した。 提案アルゴリズムは2つの重要な修正点を特徴としている。1つは、長距離特徴空間内の重要な領域の詳細をキャプチャするレーンアテンションモジュールである。 OpenLane-V2データセットでは、LaneSegNetは3つのタスクにまたがって大幅に向上している。
  論文  参考訳（メタデータ） (2023-12-26T16:22:10Z)
• Waypoint-Based Imitation Learning for Robotic Manipulation [56.4287610994102]
  ウェイポイントラベリングは不特定であり、追加の人的監督が必要である。 模倣学習のためのAWE(Automatic Waypoint extract)を提案する。 AWEは、最先端のアルゴリズムの成功率を、シミュレーションで25%、実世界のバイマニュアル操作タスクで4-28%向上させることができる。
  論文  参考訳（メタデータ） (2023-07-26T17:45:55Z)
• A Keypoint-based Global Association Network for Lane Detection [47.93323407661912]
  レーン検出は、レーンラインの複雑なトポロジー形状を予測し、異なる種類のレーンを同時に区別する必要がある、困難なタスクである。 新しい視点からレーン検出問題を定式化するためのグローバルアソシエーションネットワーク(GANet)を提案する。 F1スコアはCULaneが79.63%、Tusimpleデータセットが97.71%、高いFPSが97.71%である。
  論文  参考訳（メタデータ） (2022-04-15T05:24:04Z)
• Object Localization under Single Coarse Point Supervision [107.46800858130658]
  本稿では,粗い点アノテーションを用いたPOL手法を提案する。 CPRは、ポイントバッグを構築し、セマンティック関連点を選択し、マルチインスタンス学習(MIL)を通してセマンティックセンターポイントを生成する。 このようにして、CPRは、粗い点監督の下で高性能オブジェクトローカライザのトレーニングを保証する、弱い制御された進化手順を定義する。
  論文  参考訳（メタデータ） (2022-03-17T14:14:11Z)
• Key Points Estimation and Point Instance Segmentation Approach for Lane Detection [65.37887088194022]
  本稿では,PINet (Point Instance Network) と呼ばれるトラヒックライン検出手法を提案する。 PINetには、同時にトレーニングされる複数のスタックされた時間ガラスネットワークが含まれている。 PINetはTuSimpleとCulaneのデータセットで競合精度と偽陽性を達成する。
  論文  参考訳（メタデータ） (2020-02-16T15:51:30Z)

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。