Camera Agnostic Two-Head Network for Ego-Lane Inference

要約

高精細 (HD) マップを使用したビジョンベースの自車線推論は、自動運転や先進運転支援システムには不可欠です。
従来のアプローチでは、アルゴリズムが固有および外部キャリブレーションに依存しているため、適切にキャリブレーションされたカメラが必要ですが、これによりカメラ構成の変動が制限されます。
本稿では、単一画像からエゴレーンインデックスを直接推定することによる学習ベースのエゴレーン推論を提案する。
堅牢なパフォーマンスを強化するために、私たちのモデルには、2 つの視点で同時にエゴレーンを推論する 2 ヘッド構造が組み込まれています。
さらに、消失点と線によって誘導される注意メカニズムを利用して、正確なキャリブレーションを必要とせずに視点の変化に適応します。
当社モデルの適応性の高さは、さまざまな環境、デバイス、カメラの取り付け位置と向きで検証されました。

要約(オリジナル)

Vision-based ego-lane inference using High-Definition (HD) maps is essential in autonomous driving and advanced driver assistance systems. The traditional approach necessitates well-calibrated cameras, which confines variation of camera configuration, as the algorithm relies on intrinsic and extrinsic calibration. In this paper, we propose a learning-based ego-lane inference by directly estimating the ego-lane index from a single image. To enhance robust performance, our model incorporates the two-head structure inferring ego-lane in two perspectives simultaneously. Furthermore, we utilize an attention mechanism guided by vanishing point-and-line to adapt to changes in viewpoint without requiring accurate calibration. The high adaptability of our model was validated in diverse environments, devices, and camera mounting points and orientations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google