Traffic light detection and mapping for HD-map creation

HD-maps are one of the core components of the self-driving pipeline. Despite the effort of many companies to develop a completely independent vehicle, many state of the art solutions rely on high-definition maps of the environment for localization and navigation. Nevertheless, the creation process of such maps can be complex and error-prone, or expensive if performed via ad-hoc surveys. For this reason, robust automated solutions are required. One fundamental component of an HD-map is traffic lights. In particular, traffic light detection has been a well-known problem in the autonomous driving field. Still, the focus is on the light state, not the features,i.e., shape, orientation, pictogram. This study presents a pipeline for traffic light tracking and mapping for HD-map creation, designed to provide georeferenced position and description of all traffic lights seen by a camera mounted on a surveying vehicle. Combining the detections from a deep learning model with the disparity maps and GPS measurements, 3D pose estimation of each traffic light is obtained, then tracked and filtered by a tracking algorithm. The algorithm considers consecutive detections of the same light and uses Kalman filtering techniques to provide each light’s smoother and more precise position.

Le mappe HD sono uno dei componenti principali della pipeline a guida autonoma. Nonostante lo sforzo di molte aziende per sviluppare un veicolo completamente indipendente, molte soluzioni all'avanguardia si basano su mappe dell'ambiente ad alta definizione per la localizzazione e la navigazione . Tuttavia, il processo di creazione di tali mappe può essere complesso e soggetto a errori, oppure costoso se eseguito tramite sondaggi ad hoc. Per questo, robuste soluzioni automatizzate sono necessarie. Un componente fondamentale di una mappa HD è il semaforo. In particolare, il rilevamento del semaforo è stato un problema ben noto nel campo della guida autonoma. Tuttavia, il focus è sullo stato della luce, non sulle caratteristiche, ovvero forma, orientamento, pittogramma. Questo studio presenta una pipeline per il tracciamento e la mappatura del semaforo per la creazione di mappe HD, progettato per fornire posizione georeferenziata e descrizione di tutti i semafori visti da a telecamera montata su un veicolo topografico. Combinando i rilevamenti da un deep learning modello con le mappe di disparità e le misurazioni GPS, la stima della posa 3D di ogni traffico si ottiene la luce, quindi tracciata e filtrata da un algoritmo di tracciamento. L'algoritmo considera rilevamenti consecutivi della stessa luce e utilizza le tecniche di filtraggio di Kalman per fornire a ciascuna luce una posizione più liscia e precisa.