論文の概要: InstaGraM: Instance-level Graph Modeling for Vectorized HD Map Learning
- arxiv url: http://arxiv.org/abs/2301.04470v1
- Date: Tue, 10 Jan 2023 08:15:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 16:52:07.584034
- Title: InstaGraM: Instance-level Graph Modeling for Vectorized HD Map Learning
- Title（参考訳）: InstaGraM: ベクトル化HDマップ学習のためのインスタンスレベルのグラフモデリング
- Authors: Juyeb Shin, Francois Rameau, Hyeonjun Jeong, Dongsuk Kum
- Abstract要約: 本稿では,インスタンスレベルのグラフモデリングによるベクトル化HDマップを生成する高速なエンドツーエンドネットワークを提案する。
InstaGraMはHDMapNetを13.7mAPで上回り、VectorMapNet 5倍高速な推論速度で同等の精度を達成する。
- 参考スコア（独自算出の注目度）: 6.062751776009753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The construction of lightweight High-definition (HD) maps containing
geometric and semantic information is of foremost importance for the
large-scale deployment of autonomous driving. To automatically generate such
type of map from a set of images captured by a vehicle, most works formulate
this mapping as a segmentation problem, which implies heavy post-processing to
obtain the final vectorized representation. Alternative techniques have the
ability to generate an HD map in an end-to-end manner but rely on
computationally expensive auto-regressive models. To bring camera-based to an
applicable level, we propose InstaGraM, a fast end-to-end network generating a
vectorized HD map via instance-level graph modeling of the map elements. Our
strategy consists of three main stages: top-view feature extraction, road
elements' vertices and edges detection, and conversion to a semantic vector
representation. After top-down feature extraction, an encoder-decoder
architecture is utilized to predict a set of vertices and edge maps of the road
elements. Finally, these vertices along with edge maps are associated through
an attentional graph neural network generating a semantic vectorized map.
Instead of relying on a common segmentation approach, we propose to regress
distance transform maps as they provide strong spatial relations and
directional information between vertices. Comprehensive experiments on nuScenes
dataset show that our proposed network outperforms HDMapNet by 13.7 mAP and
achieves comparable accuracy with VectorMapNet 5x faster inference speed.
- Abstract（参考訳）: 幾何情報と意味情報を含む軽量ハイデフィニション(HD)マップの構築は、自動運転の大規模展開において最も重要である。
車両が捉えた一連の画像からそのようなマップを自動的に生成するために、ほとんどの作業は、このマッピングをセグメント化問題として定式化し、重い後処理によって最終的なベクトル化表現を得る。
代替技術は、エンドツーエンドでHDマップを生成する能力を持つが、計算に高価な自動回帰モデルに依存している。
InstaGraMは,地図要素のインスタンスレベルグラフモデリングにより,ベクトル化されたHDマップを生成する高速なエンドツーエンドネットワークである。
我々の戦略は,トップビュー特徴抽出,道路要素の頂点とエッジ検出,意味ベクトル表現への変換の三段階からなる。
トップダウン特徴抽出後、エンコーダ・デコーダアーキテクチャを使用して、道路要素の頂点とエッジマップのセットを予測する。
最後に、これらの頂点とエッジマップは、意味ベクトルマップを生成する注意グラフニューラルネットワークを介して関連付けられる。
我々は,共通セグメント化アプローチに頼る代わりに,頂点間の空間的関係と方向情報を提供するため,距離変換マップを回帰することを提案する。
nuScenesデータセットの総合的な実験により、提案したネットワークはHDMapNetを13.7mAPで上回り、VectorMapNet 5倍高速な推論速度で同等の精度を達成している。
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) - Prior Based Online Lane Graph Extraction from Single Onboard Camera
Image [133.68032636906133]
単眼カメラ画像からレーングラフをオンラインに推定する。
前者は、トランスフォーマーベースのWasserstein Autoencoderを通じてデータセットから抽出される。
オートエンコーダは、最初のレーングラフ推定を強化するために使用される。
論文 参考訳（メタデータ） (2023-07-25T08:58:26Z) - 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) - Neural Map Prior for Autonomous Driving [17.198729798817094]
高精細(HD)セマンティックマップは、自動運転車が都市環境をナビゲートするために不可欠である。
オフラインのHDマップを作成する従来の方法には、労働集約的な手動アノテーションプロセスが含まれる。
近年,オンラインセンサを用いた局所地図作成手法が提案されている。
本研究では,グローバルマップのニューラル表現であるニューラルマッププライオリティ(NMP)を提案する。
論文 参考訳（メタデータ） (2023-04-17T17:58:40Z) - VectorMapNet: End-to-end Vectorized HD Map Learning [18.451587680552464]
本稿では,VectorMapNetと呼ばれるエンドツーエンドのベクトル化HDマップ学習パイプラインを紹介する。
このパイプラインは、地図要素間の空間的関係を明示的にモデル化し、下流の自律運転タスクに相応しいベクトル化されたマップを生成することができる。
VectorMapNetはnuScenesとArgo2データセットの両方で強力なマップ学習性能を実現する。
論文 参考訳（メタデータ） (2022-06-17T17:57:13Z) - Path-Aware Graph Attention for HD Maps in Motion Prediction [4.531240717484252]
自律運転における動作予測の成功は、HDマップからの情報の統合に依存している。
本稿では,2つの頂点間の注意関係を,接続する経路を構成するエッジの列を解析することによって推定する新しい注目アーキテクチャであるPath-Aware Graph Attentionを提案する。
本分析は,GCNのような既存のグラフネットワークが苦戦している現実的な問題において,提案した注意機構が学習を促進する方法を示す。
論文 参考訳（メタデータ） (2022-02-23T09:43:47Z) - 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)
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。