論文の概要: InstaGraM: Instance-level Graph Modeling for Vectorized HD Map Learning
- arxiv url: http://arxiv.org/abs/2301.04470v3
- Date: Tue, 24 Dec 2024 09:44:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-25 15:52:47.387482
- 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, Hyeonjun Jeong, Francois Rameau, Dongsuk Kum,
- Abstract要約: オンラインハイデフィニション(HD)マップ構築は、ポーズの正確な推定において重要な役割を果たす。
オンラインHDマップ構築の最近の進歩は、ベクトル化表現について主に研究されている。
グラフモデリングを利用した新しいHDマップ学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 8.556482588459899
- License:
- Abstract: For scalable autonomous driving, a robust map-based localization system, independent of GPS, is fundamental. To achieve such map-based localization, online high-definition (HD) map construction plays a significant role in accurate estimation of the pose. Although recent advancements in online HD map construction have predominantly investigated on vectorized representation due to its effectiveness, they suffer from computational cost and fixed parametric model, which limit scalability. To alleviate these limitations, we propose a novel HD map learning framework that leverages graph modeling. This framework is designed to learn the construction of diverse geometric shapes, thereby enhancing the scalability of HD map construction. Our approach involves representing the map elements as an instance-level graph by decomposing them into vertices and edges to facilitate accurate and efficient end-to-end vectorized HD map learning. Furthermore, we introduce an association strategy using a Graph Neural Network to efficiently handle the complex geometry of various map elements, while maintaining scalability. Comprehensive experiments on public open dataset show that our proposed network outperforms state-of-the-art model by $1.6$ mAP. We further showcase the superior scalability of our approach compared to state-of-the-art methods, achieving a $4.8$ mAP improvement in long range configuration. Our code is available at https://github.com/juyebshin/InstaGraM.
- Abstract（参考訳）: スケーラブルな自律運転では、GPSに依存しない堅牢な地図ベースのローカライゼーションシステムが基本である。
このような地図に基づくローカライゼーションを実現するために,オンラインハイデフィニション(HD)マップ構築は,ポーズの正確な推定に重要な役割を果たす。
オンラインHDマップ構築の最近の進歩は、その有効性によるベクトル化表現について主に研究されているが、それらはスケーラビリティを制限する計算コストと固定パラメトリックモデルに悩まされている。
これらの制約を緩和するために,グラフモデリングを利用した新しいHDマップ学習フレームワークを提案する。
このフレームワークは、多様な幾何学的形状の構築を学習し、HDマップ構築のスケーラビリティを向上させるように設計されている。
提案手法では, 地図要素を頂点と辺に分解して, 高精度かつ効率的なベクトル化HDマップ学習を行うことによって, マップ要素をインスタンスレベルのグラフとして表現する。
さらに,グラフニューラルネットワークを用いたアソシエイト戦略を導入し,様々な地図要素の複雑な幾何学を効率的に扱うとともに,拡張性も維持する。
公開データセットに関する総合的な実験により、提案したネットワークは最先端のモデルよりも16$mAP高い性能を示した。
さらに、最先端の手法と比較して、我々のアプローチの優れたスケーラビリティを実証し、長距離構成における4.8ドルのmAP改善を実現した。
私たちのコードはhttps://github.com/juyebshin/InstaGraM.comで利用可能です。
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) - Online Vectorized HD Map Construction using Geometry [17.33973935325903]
本稿では,地図インスタンスのユークリッド形状と関係を基本的な知覚を超えて学習するGeMapを提案する。
提案手法は,NuScenesおよびArgoverse 2データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2023-12-06T08:26:26Z) - ScalableMap: Scalable Map Learning for Online Long-Range Vectorized HD
Map Construction [42.874195888422584]
オンライン長範囲ベクトル化ハイデフィニション(HD)マップ構築のための,オンボードカメラセンサを用いた新しいエンドツーエンドパイプラインを提案する。
地図要素の特性を利用して地図構築の性能を向上させる。
論文 参考訳（メタデータ） (2023-10-20T09:46:24Z) - MapTRv2: An End-to-End Framework for Online Vectorized HD Map Construction [40.07726377230152]
High-definition (HD) マップは、運転シーンの豊富な正確な静的環境情報を提供する。
オンラインベクトル化HDマップ構築のためのエンドツーエンドフレームワークである textbfMap textbfTRansformer を提案する。
論文 参考訳（メタデータ） (2023-08-10T17:56:53Z) - 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) - 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) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳（メタデータ） (2021-03-25T09:31:41Z) - 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) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳（メタデータ） (2020-07-30T18:23:18Z)
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。