論文の概要: Is Your HD Map Constructor Reliable under Sensor Corruptions?
- arxiv url: http://arxiv.org/abs/2406.12214v2
- Date: Wed, 19 Jun 2024 03:43:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-21 11:58:33.017991
- Title: Is Your HD Map Constructor Reliable under Sensor Corruptions?
- Title（参考訳）: HDマップコンストラクタはセンサの故障下で信頼性が高いか?
- Authors: Xiaoshuai Hao, Mengchuan Wei, Yifan Yang, Haimei Zhao, Hui Zhang, Yi Zhou, Qiang Wang, Weiming Li, Lingdong Kong, Jing Zhang,
- Abstract要約: 運転システムは、しばしば正確な環境情報のために高精細(HD)マップに頼っている。
現在のHDマップコンストラクタは理想的な条件下ではよく機能するが、現実の課題に対するレジリエンスはよく理解されていない。
この研究は、HDマップ構築手法の堅牢性を評価するために設計された最初の総合的なベンチマークであるMapBenchを紹介する。
- 参考スコア（独自算出の注目度）: 20.018979680831904
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Driving systems often rely on high-definition (HD) maps for precise environmental information, which is crucial for planning and navigation. While current HD map constructors perform well under ideal conditions, their resilience to real-world challenges, \eg, adverse weather and sensor failures, is not well understood, raising safety concerns. This work introduces MapBench, the first comprehensive benchmark designed to evaluate the robustness of HD map construction methods against various sensor corruptions. Our benchmark encompasses a total of 29 types of corruptions that occur from cameras and LiDAR sensors. Extensive evaluations across 31 HD map constructors reveal significant performance degradation of existing methods under adverse weather conditions and sensor failures, underscoring critical safety concerns. We identify effective strategies for enhancing robustness, including innovative approaches that leverage multi-modal fusion, advanced data augmentation, and architectural techniques. These insights provide a pathway for developing more reliable HD map construction methods, which are essential for the advancement of autonomous driving technology. The benchmark toolkit and affiliated code and model checkpoints have been made publicly accessible.
- Abstract（参考訳）: 運転システムは、しばしば計画とナビゲーションに不可欠である正確な環境情報のために高精細(HD)マップに頼っている。
現在のHDマップコンストラクタは理想的な条件下ではよく機能するが、現実の課題、すなわち悪天候やセンサーの故障に対するレジリエンスはよく理解されていない。
この研究は、様々なセンサの破損に対するHDマップ構築手法の堅牢性を評価するために設計された最初の総合的なベンチマークであるMapBenchを紹介する。
私たちのベンチマークでは、カメラとLiDARセンサーから発生した29種類の汚職を網羅しています。
31個のHDマップコンストラクタに対する広範囲な評価により, 気象条件やセンサ故障による既存手法の性能劣化が顕著であり, 重大な安全性上の懸念が浮き彫りにされている。
マルチモーダル融合、高度なデータ拡張、アーキテクチャ技術を活用した革新的なアプローチを含む、堅牢性向上のための効果的な戦略を特定します。
これらの知見は、自動運転技術の進歩に欠かせない、より信頼性の高いHDマップ構築手法を開発するための経路を提供する。
ベンチマークツールキットと関連するコードとモデルチェックポイントが一般に公開されている。
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) - Driving with Prior Maps: Unified Vector Prior Encoding for Autonomous Vehicle Mapping [18.97422977086127]
高精細マップ(HDマップ)は、自動運転車の正確なナビゲーションと意思決定に不可欠である。
オンボードセンサーを用いたHDマップのオンライン構築が,有望なソリューションとして浮上している。
本稿では,事前マップのパワーを活用して,これらの制約に対処するPresidedDriveフレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-09T06:17:46Z) - Team Samsung-RAL: Technical Report for 2024 RoboDrive Challenge-Robust Map Segmentation Track [16.79078134061912]
本報告では2024年のRoboDrive Challenge Robust Map Trackの技術的詳細について述べる。
ロバストマップのトラックは、様々な運転条件下でのBEVマップにおける複雑な運転シーン要素のセグメンテーションに焦点を当てている。
論文 参考訳（メタデータ） (2024-05-17T06:40:02Z) - OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。
この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。
本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文 参考訳（メタデータ） (2024-04-02T18:30:29Z) - Complementing Onboard Sensors with Satellite Map: A New Perspective for
HD Map Construction [31.0701760075554]
高精細(HD)マップは自律運転システムにおいて重要な役割を担っている。
近年,車載センサを用いてHDマップをリアルタイムに構築する手法が提案されている。
搭載センサーを補完する衛星地図を用いて,HDマップ構築を促進する新しい視点を探索する。
論文 参考訳（メタデータ） (2023-08-29T16:33:16Z) - StreamMapNet: Streaming Mapping Network for Vectorized Online HD Map
Construction [36.1596833523566]
本稿では,ビデオの時系列時間的モデリングに適応した新しいオンラインマッピングパイプラインであるStreamMapNetを紹介する。
StreamMapNetは、高安定性の大規模ローカルHDマップの構築を支援するマルチポイントアテンションと時間情報を利用する。
論文 参考訳（メタデータ） (2023-08-24T05:22:43Z) - Robo3D: Towards Robust and Reliable 3D Perception against Corruptions [58.306694836881235]
我々は,3次元検出器とセグメンタのロバスト性を,アウト・オブ・ディストリビューションのシナリオで検証するための,最初の総合的なベンチマークであるRobo3Dを紹介する。
気象条件の悪化,外乱,センサの故障などに起因する8種類の汚職について検討した。
本稿では,モデルレジリエンスを高めるための簡易なフレキシブルなボキセル化戦略とともに,密度に敏感なトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-30T17:59:17Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - 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。