論文の概要: Framework and Multi-modal Dataset for Roadwork Zone Detection and Geo-localization
- arxiv url: http://arxiv.org/abs/2607.04330v1
- Date: Sun, 05 Jul 2026 14:24:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.90149
- Title: Framework and Multi-modal Dataset for Roadwork Zone Detection and Geo-localization
- Title（参考訳）: 道路ゾーン検出・位置情報化のためのフレームワークとマルチモーダルデータセット
- Abstract要約: Roadwork Zone Detection and Geo-localization (RZDG)データセットには、シミュレーションデータと実世界のデータの両方が含まれている。
RZDGデータセットは、イメージセマンティックセグメンテーション、3Dオブジェクト検出、オブジェクトのジオローカライゼーションなど、複数の知覚タスクをサポートする。
AB3DMOTの拡張であるRZDGパイプラインも導入した。
- 参考スコア（独自算出の注目度）: 4.788126276837108
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous vehicles often rely on high-definition (HD) maps for navigation; however, these maps are not frequently updated and often lack semi-static information, such as temporary roadwork zones, which can significantly alter the road network. This limitation underscores the urgent need for an accurate global position of roadwork zones. However, the absence of publicly available datasets for evaluating roadwork zone detection and geo-localization models has hindered the development of reliable autonomous driving systems. To address this challenge, we propose the Roadwork Zone Detection and Geo-localization (RZDG) dataset, which includes both simulated and real-world data, providing multimodal sensor inputs along with comprehensive annotations. The dataset supports multiple perception tasks, including image semantic segmentation, 3D object detection, and object geo-localization. In addition, we introduce a tracker-based roadwork zone detection and geo-localization (RZDG) pipeline, an extension of AB3DMOT, for accurate object geo-localization in roadwork zones. We benchmark our approach on the RZDG dataset, demonstrating its effectiveness in detecting roadwork zones and transforming object positions from the local coordinate system to the global coordinate system. A prediction is considered a true positive (TP) if its estimated position falls within one meter of the ground truth. Our experimental results show that our approach achieves high accuracy on both real and simulated data. Specifically, we report: Precision: 0.565 (real) / 0.615 (simulated) Recall: 0.898 (real) / 0.809 (simulated) F1-score: 0.597 (real) / 0.665 (simulated).
- Abstract（参考訳）: 自動運転車はナビゲーションのために高精細(HD)マップを利用することが多いが、これらの地図は頻繁に更新されておらず、一時的な道路工事ゾーンのような半静的な情報がないため、道路網を著しく変更することができる。
この制限は、道路作業ゾーンの正確なグローバルな位置を求める緊急の必要性を浮き彫りにしている。
しかし、道路作業ゾーンの検出と地理的局在化モデルを評価するための公開データセットがないため、信頼性の高い自動運転システムの開発が妨げられている。
この課題に対処するために、シミュレーションデータと実世界データの両方を含むRoadwork Zone Detection and Geo-localization (RZDG)データセットを提案し、包括的なアノテーションとともにマルチモーダルセンサー入力を提供する。
このデータセットは、イメージセマンティックセグメンテーション、3Dオブジェクト検出、オブジェクトのジオローカライゼーションなど、複数の知覚タスクをサポートする。
さらに,AB3DMOTの拡張であるRZDGパイプラインを導入し,道路作業領域における正確な物体位置推定を行う。
提案手法をRZDGデータセット上でベンチマークし,道路作業領域の検出と局所座標系からグローバル座標系へのオブジェクト位置変換の有効性を示した。
推定位置が基底真理の1メートル以内にある場合、予測は真正(TP)と見なされる。
実験結果から,本手法は実データと模擬データの両方において高精度であることがわかった。
具体的には、精度:0.565 (real) / 0.615 (simulated) リコール:0.898 (real) / 0.809 (simulated) F1スコア:0.597 (real) / 0.665 (simulated)。
関連論文リスト
- Accuracy potential of visual localization exploiting high-end street-level imagery [2.9538906120661186]
そこで我々は,ジオレファレンスで高解像度の映像をその場から直接表現できる,スケーラブルなビジュアルローカライゼーションパイプラインを提案する。
実験では、翻訳で1-5cm、回転で0.05-0.1の範囲で中央値の精度が示され、調査段階の条件下では最低1cmに達する。
論文 参考訳（メタデータ） (2026-07-27T13:25:31Z) - FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。
ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。
ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
論文 参考訳（メタデータ） (2026-07-13T14:10:01Z) - Meridian: Metric-Semantic Primitive Matching for Cross-View Geo-Localization Beyond Urban Environments [47.53030013880309]
ロボット自動化の成功には、リピータビリティ、タスク計画、目標仕様、安全な操作をサポートするために、正確なグローバルローカライゼーションが必要である。
本稿では,空中画像と地上ロボットRGB-Dカメラデータにまたがって,ハイレベルなメトリック・セマンティックプリミティブをマッチングする方法であるメリディアンを提案する。
我々のアルゴリズムは、自律運転データセット、公園とキャンパスのエリア、荒野キャンプなど、幅広い環境にまたがる地上ロボットをローカライズできることを実証する。
論文 参考訳（メタデータ） (2026-06-04T15:52:40Z) - OT on the Map: Quantifying Domain Shifts in Geographic Space [15.457543295366973]
領域外一般化は、地理的データに対する機械学習において、広範囲にわたる課題である。
地理空間領域間の距離を計算するための戦略を提案する。
我々は,GeoSpOT距離が事前にデータ選択を誘導し,予測ツールを用いて,モデルが過小評価される可能性のある領域を解析可能であることを示す。
論文 参考訳（メタデータ） (2026-04-17T16:33:38Z) - GeoFlow: Real-Time Fine-Grained Cross-View Geolocalization via Iterative Flow Prediction [12.441710475756265]
現在の手法では、高精度なモデルがリアルタイム使用には遅いため、難しいトレードオフを余儀なくされている。
この精度と速度のトレードオフを断ち切る軽量で高効率なフレームワークを提供する新しいアプローチであるGeoFlowを紹介します。
KITTIとVIGORデータセットの実験では、GeoFlowが最先端の効率を実現し、29FPSのリアルタイム速度で実行されていることが示されている。
論文 参考訳（メタデータ） (2026-03-23T12:59:53Z) - Performance and Generalizability Impacts of Incorporating Location Encoders into Deep Learning for Dynamic PM2.5 Estimation [0.39762912548964846]
動的・空間的不均一な応用のための深層学習における位置情報の効果について検討する。
日表面PM2.5を衛星観測と地上観測により推定した。
以上の結果から,空間一般化の支援により,原座標は領域内の性能を向上させることができるが,領域間の一般化性は低下することが示された。
論文 参考訳（メタデータ） (2025-05-24T02:00:34Z) - Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。
大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。
また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
論文 参考訳（メタデータ） (2025-02-19T14:21:25Z) - 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) - Enhancing Worldwide Image Geolocation by Ensembling Satellite-Based Ground-Level Attribute Predictors [4.415977307120618]
本稿では,GPSなどの位置情報が存在しない場合の地上画像の位置を推定することの課題について検討する。
本稿では,推定位置分布の精度を計測する新しい指標であるリコール対エリア(Recall vs Area)を紹介する。
次に,複数の情報源からの情報を組み込んだグローバルな画像位置決め手法について検討する。
論文 参考訳（メタデータ） (2024-07-18T19:15:52Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Continuous Self-Localization on Aerial Images Using Visual and Lidar
Sensors [25.87104194833264]
本研究では,車両のセンサ情報を未確認対象領域の航空画像に登録することにより,屋外環境におけるジオトラッキング手法を提案する。
我々は、地上および空中画像から視覚的特徴を抽出するために、計量学習環境でモデルを訓練する。
本手法は,視認不可能な正光の自己局在化のために,エンド・ツー・エンドの微分可能なモデルでオンボードカメラを利用する最初の方法である。
論文 参考訳（メタデータ） (2022-03-07T12:25:44Z) - Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。
本稿では,従来のアプローチのさらなる発展について述べる。
複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文 参考訳（メタデータ） (2020-08-09T09:26:30Z)
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。