論文の概要: SnowyLane: Robust Lane Detection on Snow-covered Rural Roads Using Infrastructural Elements

• arxiv url: http://arxiv.org/abs/2511.05108v1
• Date: Fri, 07 Nov 2025 09:49:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.726113
• Title: SnowyLane: Robust Lane Detection on Snow-covered Rural Roads Using Infrastructural Elements
• Title（参考訳）: スノーニーレーン:インフラ要素を用いた積雪道路のロバストレーン検出
• Authors: Jörg Gamerdinger, Benedict Wetzel, Patrick Schulz, Sven Teufel, Oliver Bringmann,
• Abstract要約: 従来のレーンマーキングへの依存を回避できる,新しい,堅牢でリアルタイムなアプローチを提案する。 提案手法はまずこれらのポストを知覚し,パラメータ化ベジエ曲線モデルを用いてスムーズな車線軌道に適合する。 現状の車線検出システムと比較すると,悪天候下でのロバスト性は著しく向上した。
• 参考スコア（独自算出の注目度）: 0.5314069314483559
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lane detection for autonomous driving in snow-covered environments remains a major challenge due to the frequent absence or occlusion of lane markings. In this paper, we present a novel, robust and realtime capable approach that bypasses the reliance on traditional lane markings by detecting roadside features,specifically vertical roadside posts called delineators, as indirect lane indicators. Our method first perceives these posts, then fits a smooth lane trajectory using a parameterized Bezier curve model, leveraging spatial consistency and road geometry. To support training and evaluation in these challenging scenarios, we introduce SnowyLane, a new synthetic dataset containing 80,000 annotated frames capture winter driving conditions, with varying snow coverage, and lighting conditions. Compared to state-of-the-art lane detection systems, our approach demonstrates significantly improved robustness in adverse weather, particularly in cases with heavy snow occlusion. This work establishes a strong foundation for reliable lane detection in winter scenarios and contributes a valuable resource for future research in all-weather autonomous driving. The dataset is available at https://ekut-es.github.io/snowy-lane
• Abstract（参考訳）: 積雪環境下での自律走行の車線検出は、車線標識の欠如や閉塞が頻発しているため、大きな課題である。 本稿では,道路側の特徴(特にディリネータと呼ばれる垂直方向の道路側ポスト)を間接車線指示器として検出することにより,従来の車線標識への依存を回避できる新しい,頑健でリアルタイムな手法を提案する。 提案手法はまずこれらのポストを知覚し,パラメータ化ベジエ曲線モデルを用いてスムーズな車線軌道に適合し,空間的一貫性と道路形状を利用する。 SnowyLaneは8万フレームのアノテートされた新しい合成データセットで、冬の運転条件、積雪、照明条件を抽出する。 現状の車線検出システムと比較すると, 悪天候, 特に除雪時のロバスト性は著しく向上した。 この研究は、冬のシナリオにおける信頼性の高い車線検出の強力な基盤を確立し、全天候自律運転における将来の研究に貴重な資源を提供する。 データセットはhttps://ekut-es.github.io/snowy-laneで公開されている。

関連論文リスト

• Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
  車線検出は自律運転認識システムにおいて重要な役割を果たす。 ディープラーニングアルゴリズムが普及するにつれて、それらに基づく単眼車線検出法は優れた性能を示した。 本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
  論文  参考訳（メタデータ） (2024-11-25T12:09:43Z)
• Decoupling the Curve Modeling and Pavement Regression for Lane Detection [67.22629246312283]
  曲線に基づく車線表現は多くの車線検出法で一般的な手法である。 本稿では,曲線モデルと地上高さ回帰という2つの部分に分解することで,車線検出タスクに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-19T11:24:14Z)
• OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
  交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。 様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
  論文  参考訳（メタデータ） (2023-04-20T16:31:22Z)
• Road Detection in Snowy Forest Environment using RGB Camera [0.0]
  本稿では,RGBカメラを用いた森林環境における雪道の検出について紹介する。 画像成分を分類するために、ノイズフィルタリング技術と形態演算を組み合わせる。 False Negative RateとFalse Positive Rateの2つの誤差値でアルゴリズムの性能を評価する。
  論文  参考訳（メタデータ） (2022-12-16T14:49:27Z)
• Vision-Based Robust Lane Detection and Tracking under Different Challenging Environmental Conditions [8.312192184427762]
  レーンマーキング検出は、どちらも先進運転支援システムの基本である。 本稿では,3つの重要な技術を用いた頑健な車線検出・追跡手法を提案する。 実験の結果、平均検出率は97.55%であり、平均処理時間は22.33msec/frameであることがわかった。
  論文  参考訳（メタデータ） (2022-10-19T01:25:21Z)
• Leveraging Structure from Motion to Localize Inaccessible Bus Stops [1.933681537640272]
  本稿では,バス路線沿いの積雪歩道の検出について検討する。 本稿では、付加的な注釈付きデータではなく、Structure from Motion(SfM)を利用する手法を提案する。 本手法は,道路沿いの積雪への適用を実証するが,他の危険条件にも適用できる。
  論文  参考訳（メタデータ） (2022-10-07T15:55:34Z)
• Multimodal End-to-End Learning for Autonomous Steering in Adverse Road and Weather Conditions [0.0]
  自動ステアリングにおけるエンド・ツー・エンドの学習に関するこれまでの研究を,マルチモーダルデータを用いた有害な実生活環境での運用に拡張する。 道路および気象条件下で28時間の運転データを収集し,車両のハンドル角度を予測するために畳み込みニューラルネットワークを訓練した。
  論文  参考訳（メタデータ） (2020-10-28T12:38:41Z)
• Where can I drive? A System Approach: Deep Ego Corridor Estimation for Robust Automated Driving [2.378161932344701]
  本稿では, 深層学習手法を用いて, エゴレーンの乾燥可能な廊下をピクセルレベルで具体的に分類することを提案する。 当社のアプローチは, 大規模製品に適用可能なパラメータがわずか0.66万で, 計算効率を保っている。
  論文  参考訳（メタデータ） (2020-04-16T13:04:18Z)

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。