Automatically Refining Degraded and Occluded Lane Marking Information to Enhance the quality of High Definition Maps for Autonomous Vehicles
Notice bibliographique
Résumé
Autonomous vehicle technology has been advancing over the past decade with many challenges and obstacles. One obstacle to achieving fully autonomous driving is the feasibility of efficiently producing robust high definition (HD) maps of existing road infrastructure in a sustainable manner. HD maps are digital twins of road infrastructure that include 3-D representation of road features critical to a vehicle’s ability to navigate a road and maintain a consistent trajectory. This includes lane markings, barriers, and road edges. HD maps are often produced by first surveying roads using remote sensing technology. The collected data are then segmented using computer vision and machine learning algorithms to produce an HD map of the features of concern. One common challenge that is specific to extracting lane marking information is that the markings are occasionally occluded or degraded by high traffic volumes. This results in failure to detect lane markings and the existence of significant gaps in the extracted information. These gaps are manually filled in by quality control staff in a tedious and time-consuming process. To help overcome such challenges, this paper proposes a novel algorithm through which Kalman filtering is combined with Bézier curve fitting to automatically refine lane marking information. The proposed algorithm is tested on multiple roads where mobile lidar data were collected and segmentation was first applied using deep learning technology. The proposed algorithm was then used to refine the lane marking information which helped close all the gaps and recreate missing portions of the extracted lane markings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».