InterLoc: LiDAR-based Intersection Localization using Road Segmentation with Automated Evaluation Method

要約

交差点は、すべての道路網の幾何学的および機能的なキーポイントです。
GNSSのドロップアウトを修正し、最新のマップに新しいセンサーデータを固定するための強力なランドマークを提供します。
その重要性にもかかわらず、交差点検出器は、搭載されている既に計算されている豊富なセマンティック情報を無視するか、希少な手標識交差データセットに依存します。
このギャップを埋めるために、このペーパーでは、（i）鳥瞰図（BEV）表現で交差点候補を検出するために、（i）セマンティックロードセグメンテーションと車両のローカリゼーションを融合し、（ii）少なくとも四角の策定で枝のトポロジーを分析することにより候補を洗練するためのLidarベースの方法を提示します。
私たちの方法を評価するために、正確なGNS/INSのグラウンド・トゥルース・ポーズを使用して、検出をOpenStreetMap（OSM）交差ノードとペアにする自動ベンチマークパイプラインを導入します。
8つのSemantickittiシーケンスでテストされたこのアプローチは、1.9 m、89％の精度、77％のリコールの平均局在誤差を5 mの許容範囲で達成し、最新の学習ベースのベースラインを上回ります。
さらに、この方法は、ベンチマークモデルのエラーよりも高いセグメンテーションエラーに対して堅牢であり、現実の世界での適用性を示しています。

要約(オリジナル)

Intersections are geometric and functional key points in every road network. They offer strong landmarks to correct GNSS dropouts and anchor new sensor data in up-to-date maps. Despite that importance, intersection detectors either ignore the rich semantic information already computed onboard or depend on scarce, hand-labeled intersection datasets. To close that gap, this paper presents a LiDAR-based method for intersection detection that (i) fuses semantic road segmentation with vehicle localization to detect intersection candidates in a bird’s eye view (BEV) representation and (ii) refines those candidates by analyzing branch topology with a least squares formulation. To evaluate our method, we introduce an automated benchmarking pipeline that pairs detections with OpenStreetMap (OSM) intersection nodes using precise GNSS/INS ground-truth poses. Tested on eight SemanticKITTI sequences, the approach achieves a mean localization error of 1.9 m, 89% precision, and 77% recall at a 5 m tolerance, outperforming the latest learning-based baseline. Moreover, the method is robust to segmentation errors higher than those of the benchmark model, demonstrating its applicability in the real world.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google