論文の概要: Exploring Real World Map Change Generalization of Prior-Informed HD Map Prediction Models
- arxiv url: http://arxiv.org/abs/2406.01961v2
- Date: Wed, 5 Jun 2024 04:28:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 11:48:57.950962
- Title: Exploring Real World Map Change Generalization of Prior-Informed HD Map Prediction Models
- Title（参考訳）: 事前インフォームドHDマップ予測モデルにおける実世界地図変化の一般化の探索
- Authors: Samuel M. Bateman, Ning Xu, H. Charles Zhao, Yael Ben Shalom, Vince Gong, Greg Long, Will Maddern,
- Abstract要約: ハイディフィニション(HD)マップの構築と維持は、自動運転車の配備にとって大きな障壁となる。
実世界のHDマップの変化を一般化するために,どの合成摂動が最も有用かを決定するための大規模実験を行った。
- 参考スコア（独自算出の注目度）: 5.133952727872198
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Building and maintaining High-Definition (HD) maps represents a large barrier to autonomous vehicle deployment. This, along with advances in modern online map detection models, has sparked renewed interest in the online mapping problem. However, effectively predicting online maps at a high enough quality to enable safe, driverless deployments remains a significant challenge. Recent work on these models proposes training robust online mapping systems using low quality map priors with synthetic perturbations in an attempt to simulate out-of-date HD map priors. In this paper, we investigate how models trained on these synthetically perturbed map priors generalize to performance on deployment-scale, real world map changes. We present a large-scale experimental study to determine which synthetic perturbations are most useful in generalizing to real world HD map changes, evaluated using multiple years of real-world autonomous driving data. We show there is still a substantial sim2real gap between synthetic prior perturbations and observed real-world changes, which limits the utility of current prior-informed HD map prediction models.
- Abstract（参考訳）: ハイディフィニション(HD)マップの構築と維持は、自動運転車の配備にとって大きな障壁となる。
これは、現代のオンライン地図検出モデルの進歩とともに、オンライン地図問題への新たな関心を呼び起こした。
しかし、安全で自律的なデプロイメントを可能にするために、オンラインマップを十分な品質で効果的に予測することは、大きな課題である。
これらのモデルに関する最近の研究は、古いHDマップの先行をシミュレートするために、合成摂動を用いた低品質マップ事前を用いた堅牢なオンラインマッピングシステムのトレーニングを提案する。
本稿では,これらの合成摂動マップで訓練されたモデルが,展開規模,実世界の地図変化における性能を一般化する方法について検討する。
本研究では,複数年にわたる実世界の自律運転データを用いて,実世界のHDマップ変化を一般化する上で,どの合成摂動が最も有用かを決定するための大規模実験を行った。
合成先行摂動と観測された実世界の変化の間には、依然としてかなりのsim2realギャップがあることが示され、これは現在の事前インフォームドHDマップ予測モデルの有用性を制限している。
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) - M3TR: Generalist HD Map Construction with Variable Map Priors [6.314412580044879]
本稿では,HDマップ構築のための一般手法であるM3TRを紹介する。
そこで本研究では,意味的に多様なマップ先行モデルを用いた最初の現実シナリオを提案する。
すべての事前シナリオにわたるトレーニングは、以前のExpertモデルと同等のパフォーマンスを持つ単一のジェネリストモデルをもたらすことを示す。
論文 参考訳（メタデータ） (2024-11-15T16:14:48Z) - ExelMap: Explainable Element-based HD-Map Change Detection and Update [2.79552147676281]
本稿では,要素をベースとしたHDマップ変更検出と更新を行う新しいタスクを提案する。
ExelMapは、変更したマップ要素を具体的に識別する、説明可能な要素ベースのマップ更新戦略である。
これは、実世界のエンド・ツー・エンドの要素ベースのHDマップ変更の検出と更新に関する、初めての総合的な問題調査である。
論文 参考訳（メタデータ） (2024-09-16T11:17:33Z) - Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。
トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。
従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文 参考訳（メタデータ） (2024-04-30T23:18:51Z) - 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) - A Fast and Map-Free Model for Trajectory Prediction in Traffics [2.435517936694533]
本稿では,交通地図に依存しない効率的な軌道予測モデルを提案する。
注意機構、LSTM、グラフ畳み込みネットワーク、時間変換器を包括的に活用することにより、我々のモデルは全てのエージェントのリッチな動的および相互作用情報を学習することができる。
提案モデルでは,既存のマップフリー手法と比較して高い性能を達成し,Argoverseデータセット上のほとんどのマップベース最先端手法を超越する。
論文 参考訳（メタデータ） (2023-07-19T08:36:31Z) - 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) - 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) - 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)
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。