論文の概要: 3D Lane Detection with Odometry for High-Speed Vehicle Racing

• arxiv url: http://arxiv.org/abs/2607.14248v1
• Date: Wed, 15 Jul 2026 18:07:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.881525
• Title: 3D Lane Detection with Odometry for High-Speed Vehicle Racing
• Title（参考訳）: 高速レーシング用オドメトリーによる3次元車線検出
• Abstract要約: レーン境界検出は自律運転システムにおいて重要な要素であり、通常の運転シナリオにおいて厳密に研究されている。 レースにおける3Dレーン検出のための新しいデータセットを導入し、複数のカメラフィードから250$k以上の画像と、閉回路上でLexus LC 500を駆動する慣性測定を行った。 本研究では,F1スコアを3ポイント改善し,車体近傍平均絶対誤差(MAE)を30%以上削減した。
• 参考スコア（独自算出の注目度）: 1.9116784879310027
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Lane boundary detection is a critical component in autonomous driving systems and has been rigorously studied in regular driving scenarios. However, it is less explored in vehicle racing, where the car moves at higher speeds across more extreme road geometries. To study this problem, we introduce a new dataset for 3D lane detection in racing, featuring >$250$k images from multiple camera feeds and inertial measurements taken with a Lexus LC 500 driving on a closed circuit. With this dataset, we compare various approaches to 3D lane detection and propose modifications that permit frames to be processed at rates of almost 300Hz while retaining high predictive performance in the racing application. This facilitates a multi-camera ensemble approach that is validated on hardware. We show that sensing modalities such as inertial measurements can be leveraged for pre-integration to regress road geometries over both cameras and time, yielding improvements in key metrics. Compared to methods such as BevLaneDet, adding odometry and ensemble predictions improves the F1 score by 3 points and reduces near-vehicle mean absolute errors (MAEs) by $>30 \%$. We show F1 scores $>$0.9 and lateral MAEs of $<$0.18m in vehicle deployments.
• Abstract（参考訳）: レーン境界検出は自律運転システムにおいて重要な要素であり、通常の運転シナリオにおいて厳密に研究されている。 しかし、車両レースでは、より極端な道路地形を横断する高速で走行する。 そこで本研究では,複数のカメラフィードから250$k以上の画像と,閉回路上でのLexus LC 500駆動による慣性測定を特徴とする,レース中の3次元車線検出のための新しいデータセットを提案する。 このデータセットを用いて,3次元車線検出に対する様々なアプローチを比較し,レースアプリケーションにおいて高い予測性能を維持しつつ,フレームを約300Hzの速度で処理できる修正を提案する。 これにより、ハードウェア上で検証されるマルチカメラアンサンブルアプローチが実現される。 我々は,慣性測定などのセンシング手法を事前積分に利用して,カメラと時間の両方にわたって道路のジオメトリを補強し,重要な指標の改善をもたらすことを示す。 BevLaneDetのような手法と比較して、オドメトリとアンサンブル予測を追加することで、F1のスコアが3ポイント改善され、車に近い平均絶対誤差(MAE)が$>30 \%$に削減される。 F1 スコア $>$0.9 と 側方 MAE スコア $<0.18 である。

関連論文リスト

• A Geometry-Informed Computer Vision Method for Detecting and Examining Overtaking Vehicles From A Bicycle [0.0]
  本稿では,自転車に搭載された1台のカメラからのイベント検出を自動で行う,幾何学インフォームドコンピュータビジョンパイプラインを提案する。 パイプラインは97.8%のリコールを達成し、偽陽性はゼロとなり、車両通過の2.44秒前の平均を達成した。
  論文  参考訳（メタデータ） (2026-06-03T17:41:00Z)
• Effective Multi-sensor Conditioning for Street-view Novel-view Synthesis [53.67632483195509]
  ビデオ拡散フレームワークであるStreetNVSを紹介する。 我々は,高架,車線シフト,引き戻し,回転などの極端な軌道外経路に沿ってコヒーレントな映像を合成する能力を示す。
  論文  参考訳（メタデータ） (2026-06-01T02:37:56Z)
• Physics-Grounded Monocular Vehicle Distance Estimation Using Standardized License Plate Typography [4.601043621601829]
  車両間距離推定は、高度運転支援システム(ADAS)と自律運転の基盤となっている。 単眼カメラに基づく推定は、低コストの代替手段を提供するが、基本的なスケールの曖昧さに悩まされている。 最近の単眼深度深度深度学習手法は目覚ましい結果を得るが、高価な教師付きトレーニングが必要であり、ドメインシフトに悩まされ、安全クリティカルなデプロイメントの認定が難しい予測を生成する。 本稿では,米国ナンバープレートの規格化されたタイポグラフィを,計量測位のためのパッシブ・フィデューシャル・マーカーとして活用する枠組みを提案する。
  論文  参考訳（メタデータ） (2026-04-14T03:27:44Z)
• 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)
• 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)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Monocular Vision-based Prediction of Cut-in Maneuvers with LSTM Networks [0.0]
  本研究では,エゴレーンで発生する潜在的に危険なカットイン動作を予測する手法を提案する。 我々は、1台の車載RGBカメラのみを使用するコンピュータビジョンベースのアプローチに従う。 本アルゴリズムは,CNNに基づく車両検出・追跡ステップとLSTMに基づく操縦分類ステップから構成される。
  論文  参考訳（メタデータ） (2022-03-21T02:30:36Z)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• CurbScan: Curb Detection and Tracking Using Multi-Sensor Fusion [0.8722958995761769]
  カーブ検出と追跡は、車両のローカライゼーションと経路計画に有用である。 本稿では,複数のセンサからデータを融合して縁石を検出・追跡する手法を提案する。 提案アルゴリズムは,KITTIデータセットとデータセットでそれぞれ4.5～22m,0～14m以内の精度を90%以上維持する。
  論文  参考訳（メタデータ） (2020-10-09T22:48:20Z)
• Towards Autonomous Driving: a Multi-Modal 360$^{\circ}$ Perception Proposal [87.11988786121447]
  本稿では,自動運転車の3次元物体検出と追跡のためのフレームワークを提案する。 このソリューションは、新しいセンサ融合構成に基づいて、正確で信頼性の高い道路環境検出を提供する。 自動運転車に搭載されたシステムの様々なテストは、提案された知覚スタックの適合性を評価することに成功している。
  論文  参考訳（メタデータ） (2020-08-21T20:36:21Z)
• Road Curb Detection and Localization with Monocular Forward-view Vehicle Camera [74.45649274085447]
  魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。 我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
  論文  参考訳（メタデータ） (2020-02-28T00:24:18Z)

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。