Semi-automated approach towards efficient HD Maps generation and verification with Lanelet2 formats
Notice bibliographique
Résumé
Abstract. HD Maps (High-Definition Maps) serve as crucial resources for the domain of autonomous vehicle. Because HD Maps can provide detailed and accurate road information, the generation of HD Maps has been a labour-intensive and high cost. This research presents an innovative and semi-automated approach for efficient HD Maps generation by using assure mapping tool with deep learning techniques and mobile laser scanned point cloud geometry. The proposed method starts with data collection from various sources such as images, LiDAR point clouds, and integrated INS/GNSS trajectory data. These data are labelled by using a pre-trained model. After finishing post-labelling, these data are subjected to deep learning training by using VoxelNet and Yolact++ framework and leading to the generation of an AI model. The tool effectively recognizes and categorizes features such as road surface markings, traffic signs, and traffic lights, which can be further expanded as per requirements. Finally, the output format can be converted to OpenDRIVE, Lanelet2, and other else. Hence, the extracted lane lines can compare to the manual mapping data for verifying the accuracy. This study demonstrates that the proposed approach can be instrumental in streamlining the HD Maps generation procedure, reducing manual labour, and enhancing efficiency. The assure mapping tool proves to be an effective instrument, particularly when powered by deep learning algorithms and point cloud geometries, in the creation of reliable, comprehensive, and application-ready HD Maps.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».