論文の概要: MP3: A Unified Model to Map, Perceive, Predict and Plan
- arxiv url: http://arxiv.org/abs/2101.06806v1
- Date: Mon, 18 Jan 2021 00:09:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 06:08:27.257861
- Title: MP3: A Unified Model to Map, Perceive, Predict and Plan
- Title（参考訳）: MP3: マップ、知覚、予測、計画のための統一モデル
- Authors: Sergio Casas, Abbas Sadat, Raquel Urtasun
- Abstract要約: MP3は、入力が生のセンサーデータと高レベルのコマンドであるマップレス運転に対するエンドツーエンドのアプローチである。
提案手法は, より安全で, 快適であり, 長期クローズループシミュレーションにおいて, ベースラインよりもコマンドを追従できることを示す。
- 参考スコア（独自算出の注目度）: 84.07678019017644
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-definition maps (HD maps) are a key component of most modern
self-driving systems due to their valuable semantic and geometric information.
Unfortunately, building HD maps has proven hard to scale due to their cost as
well as the requirements they impose in the localization system that has to
work everywhere with centimeter-level accuracy. Being able to drive without an
HD map would be very beneficial to scale self-driving solutions as well as to
increase the failure tolerance of existing ones (e.g., if localization fails or
the map is not up-to-date). Towards this goal, we propose MP3, an end-to-end
approach to mapless driving where the input is raw sensor data and a high-level
command (e.g., turn left at the intersection). MP3 predicts intermediate
representations in the form of an online map and the current and future state
of dynamic agents, and exploits them in a novel neural motion planner to make
interpretable decisions taking into account uncertainty. We show that our
approach is significantly safer, more comfortable, and can follow commands
better than the baselines in challenging long-term closed-loop simulations, as
well as when compared to an expert driver in a large-scale real-world dataset.
- Abstract（参考訳）: 高精細地図(HDマップ)は、その意味や幾何学的情報から、現代のほとんどの自動運転システムにおいて重要な要素である。
残念なことに、HDマップの構築はコストと、それに伴うローカライゼーションシステムに課される要件のため、スケールが難しいことが証明されている。
hdマップなしで運転できることは、自動運転ソリューションをスケールしたり、既存のソリューションの障害耐性を高めるのに非常に有益である(例えば、ローカライズが失敗したり、マップが最新でない場合)。
この目的に向けて,入力が生センサデータと高レベルコマンド(例えば交差点で左折する)を持つマップレス運転におけるエンドツーエンドのMP3を提案する。
mp3は、オンラインマップと動的エージェントの現在および将来の状態の中間表現を予測し、それらを新しいニューラルモーションプランナーで活用し、不確実性を考慮した解釈可能な決定を行う。
長期的なクローズドループシミュレーションや,大規模な実世界のデータセットのエキスパートドライバと比較して,当社のアプローチは極めて安全で快適で,ベースラインよりもコマンドを追従可能であることが分かりました。
関連論文リスト
- TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。
我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。
レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
論文 参考訳（メタデータ） (2024-11-22T06:13:42Z) - Driving with Prior Maps: Unified Vector Prior Encoding for Autonomous Vehicle Mapping [18.97422977086127]
高精細マップ(HDマップ)は、自動運転車の正確なナビゲーションと意思決定に不可欠である。
オンボードセンサーを用いたHDマップのオンライン構築が,有望なソリューションとして浮上している。
本稿では,事前マップのパワーを活用して,これらの制約に対処するPresidedDriveフレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-09T06:17:46Z) - Augmenting Lane Perception and Topology Understanding with Standard
Definition Navigation Maps [51.24861159115138]
Standard Definition (SD) マップは、より安価で、世界中でカバーでき、スケーラブルな代替手段を提供する。
本稿では,オンライン地図予測にSDマップを統合する新しいフレームワークを提案し,Transformer を用いたエンコーダ SD Map Representations を提案する。
この拡張は、現在の最先端のオンラインマップ予測手法におけるレーン検出とトポロジー予測を一貫して(最大60%まで)大幅に向上させる。
論文 参考訳（メタデータ） (2023-11-07T15:42:22Z) - Online Map Vectorization for Autonomous Driving: A Rasterization
Perspective [58.71769343511168]
より優れた感度を有し,現実の自律運転シナリオに適した,新化に基づく評価指標を提案する。
また、精度の高い出力に微分可能化を適用し、HDマップの幾何学的監視を行う新しいフレームワークであるMapVR(Map Vectorization via Rasterization)を提案する。
論文 参考訳（メタデータ） (2023-06-18T08:51:14Z) - InstaGraM: Instance-level Graph Modeling for Vectorized HD Map Learning [6.062751776009753]
搭載センサ観測からHDマップ要素を検出するオンラインHDマップ学習フレームワークを提案する。
InstaGraMでは、HDマップのインスタンスレベルのグラフモデリングは、正確かつ高速なベクトル化HDマップ学習をもたらす。
提案するネットワークは,従来のモデルよりも最大13.7mAP,最大33.8倍高速である。
論文 参考訳（メタデータ） (2023-01-10T08:15:35Z) - HDMapNet: An Online HD Map Construction and Evaluation Framework [23.19001503634617]
HDマップの構築は自動運転にとって重要な問題である。
従来のHDマップは、多くのシナリオでは信頼性の低いセンチメートルレベルの正確な位置決めと結合している。
オンライン地図学習は、自動運転車に先立って意味と幾何学を提供するための、よりスケーラブルな方法である。
論文 参考訳（メタデータ） (2021-07-13T18:06:46Z) - HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。
実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。
高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
論文 参考訳（メタデータ） (2021-06-28T17:59:30Z) - Trajectory Prediction for Autonomous Driving with Topometric Map [10.831436392239585]
最先端の自動運転システムは、ローカライゼーションとナビゲーションのための高定義(HD)マップに依存している。
マップレス自動運転のためのエンドツーエンドトランスネットワークベースのアプローチを提案する。
論文 参考訳（メタデータ） (2021-05-09T08:16:16Z) - DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。
グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。
2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
論文 参考訳（メタデータ） (2020-12-22T21:58:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。