Learning Lane Graphs from Aerial Imagery Using Transformers

要約

自動運転車両の堅牢かつ安全な動作には、詳細かつ正確なトポロジー マップの重要な必要性が強調されています。
この要件の中心となるのは、複雑な都市環境を自律的にナビゲートするために不可欠な、車線の接続性に関する重要な情報を提供する車線グラフの構築です。
変圧器ベースのモデルは、車載センサー データからマップ トポロジを作成する場合には効果的ですが、航空画像からそのようなグラフを生成する可能性は未開発のままです。
この研究では、変圧器モデルの高度な機能を利用して、航空画像から後継レーン グラフを生成する新しいアプローチを導入しています。
後続レーン グラフを最大長パスのコレクションとしてフレーム化し、検出トランスフォーマー (DETR) アーキテクチャを使用してそれらを予測します。
私たちは、多様で大規模な UrbanLaneGraph データセットに対する広範な実験を通じて私たちの手法の有効性を実証し、後継レーン グラフの生成におけるその精度を示し、複雑な環境における自律車両ナビゲーションを強化するその可能性を強調します。

要約(オリジナル)

The robust and safe operation of automated vehicles underscores the critical need for detailed and accurate topological maps. At the heart of this requirement is the construction of lane graphs, which provide essential information on lane connectivity, vital for navigating complex urban environments autonomously. While transformer-based models have been effective in creating map topologies from vehicle-mounted sensor data, their potential for generating such graphs from aerial imagery remains untapped. This work introduces a novel approach to generating successor lane graphs from aerial imagery, utilizing the advanced capabilities of transformer models. We frame successor lane graphs as a collection of maximal length paths and predict them using a Detection Transformer (DETR) architecture. We demonstrate the efficacy of our method through extensive experiments on the diverse and large-scale UrbanLaneGraph dataset, illustrating its accuracy in generating successor lane graphs and highlighting its potential for enhancing autonomous vehicle navigation in complex environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google