Fugu-MT 論文翻訳(概要): Enhancing Vectorized Map Perception with Historical Rasterized Maps

論文の概要: Enhancing Vectorized Map Perception with Historical Rasterized Maps

arxiv url: http://arxiv.org/abs/2409.00620v1
Date: Sun, 1 Sep 2024 05:22:33 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 13:27:03.923975
Title: Enhancing Vectorized Map Perception with Historical Rasterized Maps
Title（参考訳）: 歴史的ラスタライズドマップによるベクトルマップ知覚の強化
Authors: Xiaoyu Zhang, Guangwei Liu, Zihao Liu, Ningyi Xu, Yunhui Liu, Ji Zhao,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 37.48510990922406
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In autonomous driving, there is growing interest in end-to-end online vectorized map perception in bird's-eye-view (BEV) space, with an expectation that it could replace traditional high-cost offline high-definition (HD) maps. However, the accuracy and robustness of these methods can be easily compromised in challenging conditions, such as occlusion or adverse weather, when relying only on onboard sensors. In this paper, we propose HRMapNet, leveraging a low-cost Historical Rasterized Map to enhance online vectorized map perception. The historical rasterized map can be easily constructed from past predicted vectorized results and provides valuable complementary information. To fully exploit a historical map, we propose two novel modules to enhance BEV features and map element queries. For BEV features, we employ a feature aggregation module to encode features from both onboard images and the historical map. For map element queries, we design a query initialization module to endow queries with priors from the historical map. The two modules contribute to leveraging map information in online perception. Our HRMapNet can be integrated with most online vectorized map perception methods. We integrate it in two state-of-the-art methods, significantly improving their performance on both the nuScenes and Argoverse 2 datasets. The source code is released at https://github.com/HXMap/HRMapNet.
Abstract（参考訳）: 自律運転では、鳥眼視(BEV)空間におけるエンドツーエンドのオンラインベクトル化マップ認識への関心が高まっており、従来の高コストオフライン高精細地図(HD)に取って代わる可能性があると期待されている。しかし、これらの手法の精度と堅牢性は、搭載センサーのみに依存する場合、閉塞や悪天候などの困難な状況において容易に妥協することができる。本稿では,オンラインベクトル化地図認識を強化するために,低コストな履歴ラスタライズドマップを活用したHRMapNetを提案する。歴史的ラスタ化マップは、過去の予測されたベクトル化結果から容易に構築でき、貴重な補完情報を提供する。歴史地図をフル活用するために,BEV機能を強化し,要素クエリをマップする2つの新しいモジュールを提案する。 BEV機能には,画像と過去の地図の両方から特徴をエンコードするために,機能集約モジュールを使用します。マップ要素クエリでは,クエリの初期化モジュールを設計し,過去のマップから先行したクエリを許容する。この2つのモジュールは、オンライン知覚における地図情報の活用に寄与する。我々の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。 2つの最先端のメソッドに統合し、nuScenesとArgoverse 2のデータセットのパフォーマンスを大幅に改善します。ソースコードはhttps://github.com/HXMap/HRMapNet.comで公開されている。

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)
GenMapping: Unleashing the Potential of Inverse Perspective Mapping for Robust Online HD Map Construction [20.1127163541618]
我々はGenMappingというユニバーサルマップ生成フレームワークを設計した。このフレームワークは、主および二重補助枝を含む三進的なシナジーアーキテクチャで構築されている。実験結果の網羅的な配列から,提案手法はセマンティックマッピングとベクトル化マッピングの両方において最先端の手法を超越し,高速な推論速度を維持した。
論文参考訳（メタデータ） (2024-09-13T10:15:28Z)
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)
InsMapper: Exploring Inner-instance Information for Vectorized HD Mapping [41.59891369655983]
InsMapperは、トランスフォーマーによるベクトル化された高精細マッピングのインナーインスタンス情報を利用する。 InsMapperは従来の最先端の手法を超越し、その有効性と汎用性を示している。
論文参考訳（メタデータ） (2023-08-16T17:58:28Z)
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)
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)
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)
Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文参考訳（メタデータ） (2020-06-09T12:35:55Z)

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。