論文の概要: TF-Lane: Traffic Flow Module for Robust Lane Perception

• arxiv url: http://arxiv.org/abs/2602.01277v1
• Date: Sun, 01 Feb 2026 15:18:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.691152
• Title: TF-Lane: Traffic Flow Module for Robust Lane Perception
• Title（参考訳）: TF-Lane:ロバストレーン認識のためのトラフィックフローモジュール
• Authors: Yihan Xie, Han Xia, Zhen Yang,
• Abstract要約: 本稿では、TrafficFlow対応レーン認識モジュール(TFM)を提案する。 リアルタイムトラフィックフローの特徴を抽出し、既存の車線認識アルゴリズムとシームレスに統合する。 継続的にパフォーマンスを改善し、Nuscenesデータセットで+4.1%のmAPゲインを達成する。
• 参考スコア（独自算出の注目度）: 8.229324385163801
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous driving systems require robust lane perception capabilities, yet existing vision-based detection methods suffer significant performance degradation when visual sensors provide insufficient cues, such as in occluded or lane-missing scenarios. While some approaches incorporate high-definition maps as supplementary information, these solutions face challenges of high subscription costs and limited real-time performance. To address these limitations, we explore an innovative information source: traffic flow, which offers real-time capabilities without additional costs. This paper proposes a TrafficFlow-aware Lane perception Module (TFM) that effectively extracts real-time traffic flow features and seamlessly integrates them with existing lane perception algorithms. This solution originated from real-world autonomous driving conditions and was subsequently validated on open-source algorithms and datasets. Extensive experiments on four mainstream models and two public datasets (Nuscenes and OpenLaneV2) using standard evaluation metrics show that TFM consistently improves performance, achieving up to +4.1% mAP gain on the Nuscenes dataset.
• Abstract（参考訳）: 自律走行システムは頑丈な車線知覚機能を必要とするが、既存の視覚に基づく検出方法は、障害物や車線遮断のような視覚センサーが不十分な手段を提供する場合、性能が著しく低下する。 補助的な情報として高解像度マップを組み込むアプローチもあるが、これらのソリューションは高いサブスクリプションコストと限られたリアルタイムパフォーマンスの課題に直面している。 これらの制限に対処するために、我々は革新的な情報ソースであるトラフィックフローを探求する。 本稿では、リアルタイム交通流の特徴を効果的に抽出し、既存の車線認識アルゴリズムとシームレスに統合する交通流認識モジュール(TFM)を提案する。 このソリューションは、実際の自律運転条件から始まり、その後、オープンソースのアルゴリズムとデータセットで検証された。 4つの主流モデルと2つのパブリックデータセット(NuscenesとOpenLaneV2)の標準評価指標を用いた大規模な実験は、TFMが一貫してパフォーマンスを改善し、Nuscenesデータセットで最大+4.1%のmAPゲインを達成することを示している。

関連論文リスト

• Lane-Wise Highway Anomaly Detection [8.086502588472783]
  本稿では,車線道路交通異常検出のためのスケーラブルかつ解釈可能なフレームワークを提案する。 従来のセンサ依存の手法とは異なり、我々の手法はAIを利用した視覚モデルを用いて車線固有の特徴を抽出する。 我々のフレームワークは、精度、リコール、F1スコアにおいて最先端の手法より優れています。
  論文  参考訳（メタデータ） (2025-05-05T12:32:23Z)
• Floating Car Observers in Intelligent Transportation Systems: Detection Modeling and Temporal Insights [1.7205106391379021]
  フローティングカーオブザーバ(FCO)は、オンボードセンサーを統合して、他の交通参加者を検出し、ローカライズすることで、従来のフローティングカーデータ(FCD)を拡張している。 我々は, 微視的交通シミュレーションにおけるFCO検出のための様々なモデリング手法について検討し, インテリジェントトランスポーテーションシステム(ITS)の応用の可能性を評価する。
  論文  参考訳（メタデータ） (2025-04-29T19:38:13Z)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• Network-wide Freeway Traffic Estimation Using Sparse Sensor Data: A Dirichlet Graph Auto-Encoder Approach [15.487715528848456]
  ネットワークワイドトラフィック状態推定(TSE)は、わずかに配置されたセンサを用いて、ネットワークトラフィック状態の完全なイメージを推測することを目的としている。 DEFP for Directed graph (DEFP4D)は、DEFP4D(DEFP4D)の理論的導出によるこれらの課題に対処する。 3つのトラフィックデータセットの実験により、DGAEは既存のSOTA法より優れ、都市間転送性が強いことを示した。
  論文  参考訳（メタデータ） (2025-03-20T04:58:50Z)
• ON-Traffic: An Operator Learning Framework for Online Traffic Flow Estimation and Uncertainty Quantification from Lagrangian Sensors [0.0]
  この研究は、新しいディープ演算子であるOn-Trafficを導入し、トラフィック状態のオンライン推定に適した水平方向学習ベースのフレームワークを提案する。 本フレームワークは,不規則でスパースな入力データを処理し,時間シフトに適応し,精度の高い不確実性推定を行うことのできる,数値データとシミュレーションデータの両方で評価される。 その結果, 衝撃波や混雑伝播などの複雑な交通シナリオを捉えるとともに, 騒音やセンサの落下に対する堅牢性を維持していることがわかった。
  論文  参考訳（メタデータ） (2025-03-18T09:13:24Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• 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)
• Physics-Informed Deep Learning for Traffic State Estimation [3.779860024918729]
  交通状態推定(TSE)は、部分的に観測されたデータを用いて道路セグメント上の交通変数(例えば密度)を再構築する。 本論文では,少量の観測データを用いて高品質なTSEを効率的に実行するための物理情報深層学習(PIDL)フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2021-01-17T03:28:32Z)
• Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
  深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。 このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。 また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
  論文  参考訳（メタデータ） (2020-11-07T19:57:22Z)

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。