論文の概要: Automated Digital Twin Construction for Highway Scenarios Using LiDAR Point Clouds and OpenStreetMap
- arxiv url: http://arxiv.org/abs/2606.16570v1
- Date: Mon, 15 Jun 2026 11:12:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.478042
- Title: Automated Digital Twin Construction for Highway Scenarios Using LiDAR Point Clouds and OpenStreetMap
- Title（参考訳）: LiDAR点雲とOpenStreetMapを用いた高速道路シナリオの自動デジタル双極子構築
- Authors: Yongqi Zhao, Dong Bi, Paul Kovacevic, Tomislav Mihalj, Martin Schabauer, Johannes Betz, Arno Eichberger,
- Abstract要約: 自動走行システムのシミュレーションと検証には,道路環境モデリングが不可欠である。
モバイルマッピングのLiDARは正確なレーンレベルの幾何をキャプチャするが、駆動廊下に限られ、OpenStreetMapは広い道路網のトポロジーを提供するが、レーンレベルでの幾何精度は欠いている。
高速環境の地理参照されたASAM OpenDRIVEマップを生成するために,OSMデータとLiDAR点雲を融合する自動化ワークフローが提案されている。
- 参考スコア（独自算出の注目度）: 1.5977657058537857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate road environment modeling is fundamental to the simulation and validation of automated driving systems. However, constructing road maps in standardized formats such as ASAM OpenDRIVE from real-world sensor data remains a time-consuming and costly process. Mobile mapping LiDAR captures accurate lane-level geometry but is confined to the driven corridor, while OpenStreetMap (OSM) provides broad road network topology but lacks geometric precision at the lane level. To address this, an automated workflow is proposed to fuse LiDAR point clouds with OSM data to generate georeferenced ASAM OpenDRIVE maps of highway environments, requiring minimal manual intervention. The pipeline reconstructs mainline roads from LiDAR-derived measurements and infers ramp geometry and topology from the OSM road graph, enabling complete highway interchange modeling without full sensor coverage. Experiments demonstrate a mean lateral RMSE of 0.740 m, and the generated maps are directly usable in mainstream simulation platforms including IPG CarMaker and Esmini. These results validate the effectiveness of combining measurement-derived geometry with map-derived topology for automated OpenDRIVE digital twin generation. The project code is available at https://github.com/ftgTUGraz/opendrive-digital-twin-generator
- Abstract（参考訳）: 自動走行システムのシミュレーションと検証には,正確な道路環境モデリングが不可欠である。
しかし,実際のセンサデータからASAM OpenDRIVEのような標準化されたフォーマットで道路マップを構築するのは,時間と費用のかかる作業である。
OpenStreetMap (OSM) は広い道路網のトポロジを提供するが、レーンレベルでの幾何精度は欠落している。
これを解決するために、LiDAR点雲をOSMデータと融合して高速環境の地理参照ASAM OpenDRIVEマップを生成する自動化ワークフローを提案する。
パイプラインは、LiDARによる計測からメインライン道路を再構築し、OSMロードグラフからランプ形状とトポロジーを推定し、完全なセンサーのカバーなしに完全なハイウェイインターチェンジモデリングを可能にする。
実験では、平均横方向RMSEは0.740mであり、生成したマップはIGG CarMakerやEsminiといったメインストリームのシミュレーションプラットフォームで直接利用できる。
これらの結果は,OpenDRIVEデジタルツインジェネレーションの自動生成において,測度由来の幾何と地図由来のトポロジーを組み合わせることの有効性を検証した。
プロジェクトのコードはhttps://github.com/ftgTUGraz/opendrive-digital-twin-generatorで公開されている。
関連論文リスト
- A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner [69.43049144653882]
本稿では,車種別制御から高レベルの意思決定を分離する統一アーキテクチャを提案する。
提案アーキテクチャは、計画、センシング、車両実行の標準化されたインターフェースを定義するGuaralPlannerを通じて実現されている。
論文 参考訳（メタデータ） (2026-02-11T10:02:31Z) - 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) - TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。
我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。
レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
論文 参考訳（メタデータ） (2024-11-22T06:13:42Z) - 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) - LMT-Net: Lane Model Transformer Network for Automated HD Mapping from Sparse Vehicle Observations [11.395749549636868]
Lane Model Transformer Network (LMT-Net) は、エンコーダとデコーダのニューラルネットワークアーキテクチャであり、ポリリン符号化を実行し、レーンペアとその接続性を予測する。
我々は、複数の車両観測と、地上真実(GT)としての人間のアノテーションからなる内部データセット上でのLMT-Netの性能を評価する。
論文 参考訳（メタデータ） (2024-09-19T02:14:35Z) - Brightearth roads: Towards fully automatic road network extraction from satellite imagery [2.446672595462589]
衛星画像から道路網を抽出する完全自動パイプラインを提案する。
提案手法は, シームレスに接続し, 正確な位置決めを行う道路線路ストリングを直接生成する。
論文 参考訳（メタデータ） (2024-06-21T07:55:15Z) - Automatic Odometry-Less OpenDRIVE Generation From Sparse Point Clouds [1.3351610617039973]
高解像度道路表現は、自動運転機能の成功の鍵となる要素である。
本稿では,ポイントクラウド情報のみに基づいて,現実的な道路表現を生成する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-05-13T08:26:24Z) - Haul Road Mapping from GPS Traces [0.0]
本稿では,道路網の正確な表現を,現場で運用されているトラックから取得したGPSデータを用いて自動的に導き出す可能性について検討する。
全ての試験アルゴリズムで見られる欠点に基づいて, 地雷の現場に典型的な工芸品の道路地図を幾何学的に解析するポストプロセッシング・ステップが開発された。
論文 参考訳（メタデータ） (2022-06-27T04:35:06Z) - 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) - Fusion of neural networks, for LIDAR-based evidential road mapping [3.065376455397363]
LIDARスキャンにおける道路検出に最適化された新しい畳み込みアーキテクチャであるRoadSegを紹介する。
RoadSegは、個々のLIDARポイントを道路に属するか、そうでないかを分類するために使用される。
そこで本研究では,連続した道路検出結果を融合する明らかな道路マッピングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-05T18:14:36Z) - DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。
グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。
2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
論文 参考訳（メタデータ） (2020-12-22T21:58:57Z)
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。