論文の概要: Online Vectorized HD Map Construction using Geometry

• arxiv url: http://arxiv.org/abs/2312.03341v1
• Date: Wed, 6 Dec 2023 08:26:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-07 15:31:02.475938
• Title: Online Vectorized HD Map Construction using Geometry
• Title（参考訳）: 幾何を用いたオンラインベクトル化HDマップの構築
• Authors: Zhixin Zhang, Yiyuan Zhang, Xiaohan Ding, Fusheng Jin, Xiangyu Yue
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.602869210526848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The construction of online vectorized High-Definition (HD) maps is critical for downstream prediction and planning. Recent efforts have built strong baselines for this task, however, shapes and relations of instances in urban road systems are still under-explored, such as parallelism, perpendicular, or rectangle-shape. In our work, we propose GeMap ($\textbf{Ge}$ometry $\textbf{Map}$), which end-to-end learns Euclidean shapes and relations of map instances beyond basic perception. Specifically, we design a geometric loss based on angle and distance clues, which is robust to rigid transformations. We also decouple self-attention to independently handle Euclidean shapes and relations. Our method achieves new state-of-the-art performance on the NuScenes and Argoverse 2 datasets. Remarkably, it reaches a 71.8% mAP on the large-scale Argoverse 2 dataset, outperforming MapTR V2 by +4.4% and surpassing the 70% mAP threshold for the first time. Code is available at https://github.com/cnzzx/GeMap
• Abstract（参考訳）: オンラインベクトル化ハイディフィニション(HD)マップの構築は下流の予測と計画に不可欠である。 近年, この課題に対して, 並列性, 垂直性, 矩形形状など, 都市道路の事例の形状と関係はいまだ解明されていない。 我々の研究では、エンド・ツー・エンドが基本的な知覚を超えたユークリッド形状とマップインスタンスの関係を学習するgemap (\textbf{ge}$ometry $\textbf{map}$)を提案する。 具体的には,剛性変換にロバストな角度と距離の手がかりに基づいて幾何学的損失を設計する。 我々はまた、ユークリッドの形状と関係を独立に扱うために自己の注意を分離する。 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。 注目すべきは、大規模なArgoverse 2データセットで71.8%のmAPに達し、MapTR V2を+4.4%上回り、初めて70%のmAP閾値を超えたことである。 コードはhttps://github.com/cnzzx/GeMapで入手できる。

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)
• OpenSatMap: A Fine-grained High-resolution Satellite Dataset for Large-scale Map Construction [65.4151284975348]
  OpenSatMapは、大規模マップ構築のための細粒度で高解像度の衛星データセットである。 データセットの公開とメンテナンスにより、衛星ベースのマップ構築と、自律運転のような下流タスクのための高品質なベンチマークを提供する。
  論文  参考訳（メタデータ） (2024-10-30T17:56:02Z)
• Enhancing Vectorized Map Perception with Historical Rasterized Maps [37.48510990922406]
  我々は,オンラインベクトル化地図知覚を高めるために,低コストな履歴ラスタライズドマップを利用するHRMapNetを提案する。 履歴化された地図は、過去の予測されたベクトル化された結果から容易に構築でき、貴重な補完情報を提供する。 HRMapNetは、ほとんどのオンラインベクトル化マップ認識手法と統合することができる。
  論文  参考訳（メタデータ） (2024-09-01T05:22:33Z)
• ADMap: Anti-disturbance framework for reconstructing online vectorized HD map [9.218463154577616]
  本稿では, 反ゆらぎマップ再構築フレームワーク (ADMap) を提案する。 点次ジッタを緩和するため、このフレームワークは、マルチスケール知覚ネック、インスタンスインタラクティブアテンション(IIA)、ベクトル方向差損失(VDDL)の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2024-01-24T01:37:27Z)
• 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)
• 3D Line Mapping Revisited [86.13455066577657]
  LIMAPは、3Dラインマッピングのためのライブラリで、多視点画像から3Dラインマップを堅牢かつ効率的に作成する。 私たちのコードは、既存のポイントベースのStructure-from-Motionメソッドとシームレスに統合されます。 私たちの堅牢な3Dラインマップは、新たな研究方向も開きます。
  論文  参考訳（メタデータ） (2023-03-30T16:14:48Z)
• 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)
• 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)
• 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)
• Hierarchical Recurrent Attention Networks for Structured Online Maps [91.28820076955128]
  疎い3次元点雲からのオンライン道路網抽出の問題に対処する。 この手法はannotatorがレーングラフを構築する方法に触発され、まず何レーンあるかを特定し、順番に各レーンを描画する。 我々は,レーン境界の初期領域に順応する階層的リカレントネットワークを開発し,構造化ポリラインを出力することにより,それらを完全にトレースする。
  論文  参考訳（メタデータ） (2020-12-22T19:35:53Z)

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。