論文の概要: THMA: Tencent HD Map AI System for Creating HD Map Annotations
- arxiv url: http://arxiv.org/abs/2212.11123v1
- Date: Wed, 14 Dec 2022 08:36:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 02:45:17.051420
- Title: THMA: Tencent HD Map AI System for Creating HD Map Annotations
- Title（参考訳）: THMA:HDマップアノテーション作成のためのTencent HD Map AIシステム
- Authors: Kun Tang, Xu Cao, Zhipeng Cao, Tong Zhou, Erlong Li, Ao Liu, Shengtao
Zou, Chang Liu, Shuqi Mei, Elena Sizikova, Chao Zheng
- Abstract要約: Tencent HD Map AI(THMA)システムは、エンドツーエンドのAIベースのアクティブラーニングHDマップラベリングシステムである。
THMAでは、教師付き、自己教師付き、弱教師付き学習を通じて、巨大なHDマップデータセットから直接AIモデルをトレーニングします。
Tencent MapのHDマップデータの90%以上がTHMAによって自動的にラベル付けされ、従来のHDマップのラベル付けプロセスが10倍以上加速する。
- 参考スコア（独自算出の注目度）: 12.554528330142732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, autonomous vehicle technology is becoming more and more mature.
Critical to progress and safety, high-definition (HD) maps, a type of
centimeter-level map collected using a laser sensor, provide accurate
descriptions of the surrounding environment. The key challenge of HD map
production is efficient, high-quality collection and annotation of large-volume
datasets. Due to the demand for high quality, HD map production requires
significant manual human effort to create annotations, a very time-consuming
and costly process for the map industry. In order to reduce manual annotation
burdens, many artificial intelligence (AI) algorithms have been developed to
pre-label the HD maps. However, there still exists a large gap between AI
algorithms and the traditional manual HD map production pipelines in accuracy
and robustness. Furthermore, it is also very resource-costly to build
large-scale annotated datasets and advanced machine learning algorithms for
AI-based HD map automatic labeling systems. In this paper, we introduce the
Tencent HD Map AI (THMA) system, an innovative end-to-end, AI-based, active
learning HD map labeling system capable of producing and labeling HD maps with
a scale of hundreds of thousands of kilometers. In THMA, we train AI models
directly from massive HD map datasets via supervised, self-supervised, and
weakly supervised learning to achieve high accuracy and efficiency required by
downstream users. THMA has been deployed by the Tencent Map team to provide
services to downstream companies and users, serving over 1,000 labeling workers
and producing more than 30,000 kilometers of HD map data per day at most. More
than 90 percent of the HD map data in Tencent Map is labeled automatically by
THMA, accelerating the traditional HD map labeling process by more than ten
times.
- Abstract（参考訳）: 現在、自動運転車の技術はますます成熟している。
高精細度(HD)マップは、レーザーセンサを用いて収集したセンチメートルレベルの地図の一種で、周囲の環境の正確な説明を提供する。
HDマップ生産の重要な課題は、大規模データセットの効率的で高品質な収集とアノテーションである。
高品質の要求のため、HDマップの生産には、地図産業にとって非常に時間がかかり、コストがかかるアノテーションを作成するために、かなりの手作業が必要である。
手動によるアノテーションの負担を軽減するため、HDマップの事前ラベル付けのために多くの人工知能(AI)アルゴリズムが開発された。
しかし、AIアルゴリズムと従来の手動のHDマップ生産パイプラインの間には、精度と堅牢性において大きなギャップがある。
さらに、AIベースのHDマップ自動ラベリングシステムのための大規模アノテートデータセットと高度な機械学習アルゴリズムを構築するには、非常にリソースコストがかかる。
本稿では, Tencent HD Map AI (THMA) システムを紹介し, 数十万kmのスケールでHDマップの生成とラベル付けが可能な, 革新的なエンドツーエンドAIベースのアクティブラーニングHDマップラベルシステムについて述べる。
THMAでは、教師付き、自己教師付き、弱教師付き学習を通じて、巨大なHDマップデータセットから直接AIモデルをトレーニングし、下流のユーザに必要な高い精度と効率を達成する。
THMAはTencent Mapチームによって、下流の企業やユーザにサービスを提供し、1000人以上のラベリングワーカーにサービスを提供し、1日あたり3万キロ以上のHDマップデータを生産している。
Tencent MapのHDマップデータの90%以上がTHMAによって自動的にラベル付けされ、従来のHDマップのラベル付けプロセスが10倍以上加速する。
関連論文リスト
- DeepAerialMapper: Deep Learning-based Semi-automatic HD Map Creation for Highly Automated Vehicles [0.0]
高解像度空中画像からHDマップを作成するための半自動手法を提案する。
提案手法では, ニューラルネットワークを訓練して, 空中画像をHDマップに関連するクラスに意味的に分割する。
マップをLanelet2フォーマットにエクスポートすることで、さまざまなユースケースを簡単に拡張できる。
論文 参考訳（メタデータ） (2024-10-01T15:05:05Z) - 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) - SNAP: Self-Supervised Neural Maps for Visual Positioning and Semantic
Understanding [57.108301842535894]
我々は、地上と頭上の画像からリッチなニューラル2Dマップを学習するディープネットワークSNAPを紹介する。
我々は、異なる入力から推定されるニューラルマップの整列をトレーニングし、何千万ものストリートビュー画像のカメラポーズでのみ監視する。
SNAPは、従来の手法の範囲を超えて、挑戦的な画像クエリの場所を解決できる。
論文 参考訳（メタデータ） (2023-06-08T17:54:47Z) - VMA: Divide-and-Conquer Vectorized Map Annotation System for Large-Scale
Driving Scene [41.110429729268496]
大規模運転シーンのHDマップを効率よく生成するための体系的ベクトル化マップアノテーションフレームワーク(VMA)を構築した。
VMAは非常に効率的で、人間の努力を無視でき、空間スケールや要素タイプの観点からも柔軟である。
平均的なVMAでは、数百メートルの範囲でシーンに注釈をつけるのに160分かかり、人件費の52.3%を削減している。
論文 参考訳（メタデータ） (2023-04-19T16:47:20Z) - High-Definition Map Generation Technologies For Autonomous Driving: A
Review [0.0]
ハイデフィニション(HD)マップは近年多くの注目を集めている。
本稿では,2次元地図と3次元地図の両方を利用した最近のHDマップ生成技術についてレビューする。
論文 参考訳（メタデータ） (2022-06-11T02:32:11Z) - 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) - 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) - Automatic Building and Labeling of HD Maps with Deep Learning [18.9340830352492]
生センサデータからラベル付きHDマップを生成する新しい手法を提案する。
その結果,提案した深層学習に基づく手法は,高精度なHDマップを作成できることがわかった。
論文 参考訳（メタデータ） (2020-06-01T00:02:45Z)
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。