論文の概要: Trust, but Verify: Cross-Modality Fusion for HD Map Change Detection
- arxiv url: http://arxiv.org/abs/2212.07312v1
- Date: Wed, 14 Dec 2022 16:17:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 15:10:26.164030
- Title: Trust, but Verify: Cross-Modality Fusion for HD Map Change Detection
- Title(参考訳): trust, but verify: hdマップ変更検出のためのクロスモダリティ融合
- Authors: John Lambert, James Hays
- Abstract要約: High-definition (HD) Map Change Detection(HD)は、センサデータとマップデータが実世界の変化によってもはや一致していないことを判断するタスクである。
9ヶ月以上にわたる自動運転車の運用から何千時間ものデータをマイニングすることで、このタスクの最初のデータセットを収集します。
鳥の視線と自我視における問題解決のための学習型定式化について述べる。
- 参考スコア(独自算出の注目度): 28.732861540394733
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-definition (HD) map change detection is the task of determining when
sensor data and map data are no longer in agreement with one another due to
real-world changes. We collect the first dataset for the task, which we entitle
the Trust, but Verify (TbV) dataset, by mining thousands of hours of data from
over 9 months of autonomous vehicle fleet operations. We present learning-based
formulations for solving the problem in the bird's eye view and ego-view.
Because real map changes are infrequent and vector maps are easy to
synthetically manipulate, we lean on simulated data to train our model. Perhaps
surprisingly, we show that such models can generalize to real world
distributions. The dataset, consisting of maps and logs collected in six North
American cities, is one of the largest AV datasets to date with more than 7.8
million images. We make the data available to the public at
https://www.argoverse.org/av2.html#mapchange-link, along with code and models
at https://github.com/johnwlambert/tbv under the the CC BY-NC-SA 4.0 license.
- Abstract(参考訳): High-definition (HD) Map Change Detection(HD)は、センサーデータとマップデータが現実の変化のために互いに一致しないタイミングを決定するタスクである。
私たちはこのタスクの最初のデータセットを収集し、Trust, but Verify (TbV)データセットと題して、9ヶ月以上の自動運転車の運用から何千時間ものデータをマイニングします。
鳥の視線と自我視における問題解決のための学習型定式化について述べる。
実地図の変更は稀であり、ベクトルマップは合成操作が容易であるため、シミュレーションデータに頼ってモデルを訓練する。
おそらく驚くことに、そのようなモデルが実世界の分布に一般化できることを示します。
このデータセットは、北米6都市で収集された地図とログで構成されており、これまでに780万枚以上の画像を持つ最大のAVデータセットの1つである。
我々は https://www.argoverse.org/av2.html#mapchange-link で、CC BY-NC-SA 4.0 ライセンスの下で https://github.com/johnwlambert/tbv でコードとモデルを公開しています。
関連論文リスト
- Radio Map Estimation -- An Open Dataset with Directive Transmitter
Antennas and Initial Experiments [49.61405888107356]
実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。
モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
論文 参考訳(メタデータ) (2024-01-12T14:56:45Z) - Mobile Mapping Mesh Change Detection and Update [0.0]
品質,カバレッジ,取得時間が異なるメッシュをマージする問題に対処する,完全な自動パイプラインを提案する。
提案手法は,距離と視認性に基づく変化検出,変化の持続可能性を評価する時系列解析,大域的最適化に基づくメッシュモザイキングに基づく。
論文 参考訳(メタデータ) (2023-03-13T15:24:06Z) - Argoverse 2: Next Generation Datasets for Self-Driving Perception and
Forecasting [64.7364925689825]
Argoverse 2(AV2)は、自動運転分野の研究の知覚と予測のための3つのデータセットの集合である。
Lidarデータセットには、ラベルなしのLidar点雲とマップ整列ポーズの2万のシーケンスが含まれている。
Motion Forecastingデータセットには、各ローカルシーンにおける自動運転車と他のアクター間の興味深い、挑戦的なインタラクションのために採掘された25万のシナリオが含まれている。
論文 参考訳(メタデータ) (2023-01-02T00:36:22Z) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳(メタデータ) (2022-04-21T23:01:21Z) - Diff-Net: Image Feature Difference based High-Definition Map Change
Detection [13.666189678747996]
最新のハイディフィニション(HD)マップは、自動運転車にとって不可欠である。
我々は,その変化を検出するために,ディープニューラルネットワーク(DNN)Diff-Netを提案する。
その結果、Diff-Netはベースラインメソッドよりも優れたパフォーマンスを実現し、最新のHDマップを維持したマッププロダクションに統合できることがわかった。
論文 参考訳(メタデータ) (2021-07-14T22:51:30Z) - 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) - 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) - Dataset Cartography: Mapping and Diagnosing Datasets with Training
Dynamics [118.75207687144817]
我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。
私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。
以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
論文 参考訳(メタデータ) (2020-09-22T20:19:41Z)
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。