論文の概要: Deep Neural Network Based Roadwork Detection for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2604.02282v1
- Date: Thu, 02 Apr 2026 17:18:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:10.965379
- Title: Deep Neural Network Based Roadwork Detection for Autonomous Driving
- Title（参考訳）: ディープニューラルネットワークを用いた自律走行のための道路検出
- Authors: Sebastian Wullrich, Nicolai Steinke, Daniel Goehring,
- Abstract要約: 本稿では, YOLOニューラルネットワークとLiDARデータを組み合わせて道路工事をリアルタイムに検出・ローカライズするシステムを提案する。
このシステムは、運転中に個々の道路オブジェクトを特定し、それらを一貫性のある建設現場にマージし、その概要を世界座標に記録する。
- 参考スコア（独自算出の注目度）: 0.8602553195689513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Road construction sites create major challenges for both autonomous vehicles and human drivers due to their highly dynamic and heterogeneous nature. This paper presents a real-time system that detects and localizes roadworks by combining a YOLO neural network with LiDAR data. The system identifies individual roadwork objects while driving, merges them into coherent construction sites and records their outlines in world coordinates. The model training was based on an adapted US dataset and a new dataset collected from test drives with a prototype vehicle in Berlin, Germany. Evaluations on real-world road construction sites showed a localization accuracy below 0.5 m. The system can support traffic authorities with up-to-date roadwork data and could enable autonomous vehicles to navigate construction sites more safely in the future.
- Abstract（参考訳）: 道路建設現場は、非常にダイナミックで異質な性質のため、自動運転車と人間ドライバーの両方にとって大きな課題を生み出している。
本稿では, YOLOニューラルネットワークとLiDARデータを組み合わせて道路工事をリアルタイムに検出・ローカライズするシステムを提案する。
このシステムは、運転中に個々の道路オブジェクトを特定し、それらを一貫性のある建設現場にマージし、その概要を世界座標に記録する。
モデルトレーニングは、米国の適応されたデータセットと、ドイツのベルリンにあるプロトタイプ車両でテストドライブから収集された新しいデータセットに基づいていた。
実世界の道路建設現場での評価では, 0.5m未満の局部化精度を示した。
このシステムは交通当局に最新の道路データを提供し、将来自動運転車が建設現場をより安全にナビゲートできるようにする。
関連論文リスト
- Spatial Retrieval Augmented Autonomous Driving [81.39665750557526]
既存の自動運転システムは、環境認識のためのセンサーに頼っている。
本稿では,オフラインで取得した地理画像を付加入力として導入する空間検索パラダイムを提案する。
この新しい自動運転パラダイムのさらなる研究のために、データセットキュレーションコード、データ、ベンチマークをオープンソースにします。
論文 参考訳（メタデータ） (2025-12-07T14:40:49Z) - Comparative Analysis of YOLOv5, Faster R-CNN, SSD, and RetinaNet for Motorbike Detection in Kigali Autonomous Driving Context [0.0]
キガリ、ルワンダでは、オートバイタクシーが主要な交通手段であり、しばしば予測不能で交通規則を無視している。
本研究は、キガリで収集された198枚の画像のカスタムデータセットを用いて、バイク検出のための4つのオブジェクト検出モデル(YOLOv5, Faster R-CNN, SSD, RetinaNet)を比較した。
我々は、データセットの制限やモデルの複雑さを含む実装上の課題を特定し、ルワンダのような発展途上国における自律システムのアクセシビリティを高めるために、将来の作業のために単純化されたアーキテクチャを推奨する。
論文 参考訳（メタデータ） (2025-10-06T15:26:08Z) - DRIFT open dataset: A drone-derived intelligence for traffic analysis in urban environment [2.780698399474917]
DRone由来のインテリジェンス・フォー・トラヒック・アナリティクス(DRIFT)データセットは、高度約250mのドローンビデオから体系的に収集された大規模な都市交通データセットである。
DRIFTは、方向情報を含む高解像度の車両軌道を提供し、ビデオ同期とオルトマップアライメントによって処理される。
このデータセットは,交通流解析やシミュレーション研究などの学術研究や実用化に大きく貢献することが期待されている。
論文 参考訳（メタデータ） (2025-04-15T09:43:13Z) - 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) - BadODD: Bangladeshi Autonomous Driving Object Detection Dataset [0.0]
バングラデシュの9地区にわたる多様な運転環境における物体検出のための包括的データセットを提案する。
スマートフォンカメラからのみ収集されたデータセットは、現実のシナリオを現実的に表現したものだ。
論文 参考訳（メタデータ） (2024-01-19T12:26:51Z) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - Automatic Extraction of Relevant Road Infrastructure using Connected
vehicle data and Deep Learning Model [4.235459779667272]
本稿では,コネクテッドカーデータと最先端のディープラーニング技術を活用した新しいアプローチを提案する。
道路区間にジオハッシングを施し,道路区間の画像表現を生成することにより,道路区間と交差点の正確な分類にYOLOv5アルゴリズムを用いる。
実験の結果,97%のF1スコア,90%のF1スコアに到達した。
論文 参考訳（メタデータ） (2023-08-10T15:57:47Z) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-16T16:54:10Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳（メタデータ） (2022-07-05T16:33:20Z) - A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the
First CARLA Autonomous Driving Challenge [49.976633450740145]
本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。
我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
論文 参考訳（メタデータ） (2020-10-23T18:07:48Z)
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。