論文の概要: HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps
- arxiv url: http://arxiv.org/abs/2106.14880v1
- Date: Mon, 28 Jun 2021 17:59:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 18:01:10.789892
- Title: HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps
- Title(参考訳): HDMapGen: 高定義マップの階層グラフ生成モデル
- Authors: Lu Mi, Hang Zhao, Charlie Nash, Xiaohan Jin, Jiyang Gao, Chen Sun,
Cordelia Schmid, Nir Shavit, Yuning Chai, Dragomir Anguelov
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 81.86923212296863
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High Definition (HD) maps are maps with precise definitions of road lanes
with rich semantics of the traffic rules. They are critical for several key
stages in an autonomous driving system, including motion forecasting and
planning. However, there are only a small amount of real-world road topologies
and geometries, which significantly limits our ability to test out the
self-driving stack to generalize onto new unseen scenarios. To address this
issue, we introduce a new challenging task to generate HD maps. In this work,
we explore several autoregressive models using different data representations,
including sequence, plain graph, and hierarchical graph. We propose HDMapGen, a
hierarchical graph generation model capable of producing high-quality and
diverse HD maps through a coarse-to-fine approach. Experiments on the Argoverse
dataset and an in-house dataset show that HDMapGen significantly outperforms
baseline methods. Additionally, we demonstrate that HDMapGen achieves high
scalability and efficiency.
- Abstract(参考訳): High Definition (HD) マップは、道路路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。
それらは、動きの予測や計画など、自律運転システムのいくつかの重要な段階において重要である。
しかし、現実の道路トポロジやジオメトリはごくわずかしかないため、新たな見えないシナリオに一般化するために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。
この問題に対処するために,HDマップを生成するための新しい課題を導入する。
本研究では,シーケンス,プレーングラフ,階層グラフなど,さまざまなデータ表現を用いた自己回帰モデルについて検討する。
粗大なアプローチにより高品質で多様なHDマップを生成できる階層グラフ生成モデルであるHDMapGenを提案する。
Argoverseデータセットと社内データセットの実験は、HDMapGenがベースラインメソッドを大幅に上回っていることを示している。
さらに,HDMapGenは高いスケーラビリティと効率を実現することを示す。
関連論文リスト
- 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) - SuperFusion: Multilevel LiDAR-Camera Fusion for Long-Range HD Map
Generation and Prediction [21.061273391348376]
我々は,複数のレベルでLiDARとカメラデータの融合を利用したSuperFusionという新しいネットワークを提案する。
その結果,提案手法により予測される長距離HDマップを用いることで,自動運転車の経路計画を改善することができることがわかった。
論文 参考訳(メタデータ) (2022-11-28T18:59:02Z) - csBoundary: City-scale Road-boundary Detection in Aerial Images for
High-definition Maps [10.082536828708779]
都市規模での道路境界の自動検出のためのcsBoundaryを提案する。
筆者らのネットワークは航空画像パッチを入力として,この画像から直接連続的な道路境界グラフを推定する。
私たちのcsBoundaryは、公開ベンチマークデータセットで評価され、比較されます。
論文 参考訳(メタデータ) (2021-11-11T02:04:36Z) - 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) - MP3: A Unified Model to Map, Perceive, Predict and Plan [84.07678019017644]
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。
論文 参考訳(メタデータ) (2021-01-18T00:09:30Z) - 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) - HDNET: Exploiting HD Maps for 3D Object Detection [99.49035895393934]
高精細度(hd)マップは、現代の3dオブジェクト検出器の性能と頑健性を高める強力な事前情報を提供する。
我々はHDマップから幾何学的特徴と意味的特徴を抽出する単一ステージ検出器を設計する。
地図は至る所では利用できないため、生のLiDARデータからフライ時の地図を推定するマップ予測モジュールも提案する。
論文 参考訳(メタデータ) (2020-12-21T21:59:54Z)
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。