論文の概要: MapExpert: Online HD Map Construction with Simple and Efficient Sparse Map Element Expert

• arxiv url: http://arxiv.org/abs/2412.12704v1
• Date: Tue, 17 Dec 2024 09:19:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 13:58:41.142300
• Title: MapExpert: Online HD Map Construction with Simple and Efficient Sparse Map Element Expert
• Title（参考訳）: MapExpert: シンプルで効率的なスパースマップ要素エキスパートによるオンラインHDマップ構築
• Authors: Dapeng Zhang, Dayu Chen, Peng Zhi, Yinda Chen, Zhenlong Yuan, Chenyang Li, Sunjing, Rui Zhou, Qingguo Zhou,
• Abstract要約: 専門家によるオンラインHDマップ手法であるMapExpertを紹介した。 MapExpertは、ルータが配布するスパースの専門家を利用して、様々な非キュビックマップ要素を正確に記述します。
• 参考スコア（独自算出の注目度）: 7.086030137483952
• License:
• Abstract: Constructing online High-Definition (HD) maps is crucial for the static environment perception of autonomous driving systems (ADS). Existing solutions typically attempt to detect vectorized HD map elements with unified models; however, these methods often overlook the distinct characteristics of different non-cubic map elements, making accurate distinction challenging. To address these issues, we introduce an expert-based online HD map method, termed MapExpert. MapExpert utilizes sparse experts, distributed by our routers, to describe various non-cubic map elements accurately. Additionally, we propose an auxiliary balance loss function to distribute the load evenly across experts. Furthermore, we theoretically analyze the limitations of prevalent bird's-eye view (BEV) feature temporal fusion methods and introduce an efficient temporal fusion module called Learnable Weighted Moving Descentage. This module effectively integrates relevant historical information into the final BEV features. Combined with an enhanced slice head branch, the proposed MapExpert achieves state-of-the-art performance and maintains good efficiency on both nuScenes and Argoverse2 datasets.
• Abstract（参考訳）: オンラインハイディフィニション(HD)マップの構築は、自律運転システム(ADS)の静的環境認識に不可欠である。 既存の解は通常、ベクトル化されたHDマップ要素を統一されたモデルで検出しようとするが、これらの方法はしばしば異なる非キュビックマップ要素の異なる特性を見落とし、正確な区別が難しい。 これらの問題に対処するため、我々はMapExpertと呼ばれるエキスパートベースのオンラインHDマップ手法を導入する。 MapExpertは、ルータが配布するスパースの専門家を利用して、様々な非キュビックマップ要素を正確に記述します。 さらに,負荷を専門家に均等に分配する補助的バランス損失関数を提案する。 さらに, 鳥眼ビュー (BEV) の特徴的時間的融合手法の限界を理論的に解析し, 学習可能な重み付けDescentageと呼ばれる効率的な時間的融合モジュールを導入する。 このモジュールは、関連する歴史的情報を最終的なBEV機能に効果的に統合する。 改良されたスライスヘッドブランチと組み合わせて、提案されたMapExpertは最先端のパフォーマンスを実現し、nuScenesとArgoverse2データセットの両方で優れた効率を維持する。

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)
• Unveiling the Hidden: Online Vectorized HD Map Construction with Clip-Level Token Interaction and Propagation [14.480713752871521]
  MapUnveilerは、クリップレベルのベクトル化HDマップ構築の新しいパラダイムである。 これは、高密度の画像表現と効率的なクリップトークンを関連付けることで、クリップ入力内の隠蔽マップ要素を公開する。 MapUnveilerはクリップトークンの伝搬を通じてクリップ間の情報を関連付け、長期の時間マップ情報を有効に活用する。
  論文  参考訳（メタデータ） (2024-11-17T08:38:18Z)
• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• 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)
• 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)
• 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)
• MV-Map: Offboard HD-Map Generation with Multi-view Consistency [29.797769409113105]
  Bird's-eye-view (BEV) の知覚モデルは、人間の労働力が少ない高精細地図(HD-Maps)を構築するのに有用である。 これらの結果は、しばしば信頼できないものであり、異なる視点から予測されたHD-Mapに顕著な矛盾を示す。 本稿では,計算制約を解消する,より実用的な「オフボード」なHDマップ生成機構を提案する。
  論文  参考訳（メタデータ） (2023-05-15T17:59:15Z)
• InstaGraM: Instance-level Graph Modeling for Vectorized HD Map Learning [8.556482588459899]
  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。
  論文  参考訳（メタデータ） (2023-01-10T08:15:35Z)
• 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)
• Label Decoupling Framework for Salient Object Detection [157.96262922808245]
  近年の手法は, 畳み込みネットワーク(FCN)からの多層的特徴の集約と, エッジ情報の導入に重点を置いている。 ラベルデカップリング手順と機能相互作用ネットワーク(FIN)からなるラベルデカップリングフレームワーク(LDF)を提案する。 6つのベンチマークデータセットの実験では、LDFはさまざまな評価指標における最先端のアプローチよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-08-25T14:23:38Z)

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。