論文の概要: CleanMAP: Distilling Multimodal LLMs for Confidence-Driven Crowdsourced HD Map Updates

• arxiv url: http://arxiv.org/abs/2504.10738v1
• Date: Mon, 14 Apr 2025 22:16:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:12:30.215440
• Title: CleanMAP: Distilling Multimodal LLMs for Confidence-Driven Crowdsourced HD Map Updates
• Title（参考訳）: CleanMAP: 信頼性駆動のクラウドソースHD Map更新のためのマルチモーダルLCMの蒸留
• Authors: Ankit Kumar Shaw, Kun Jiang, Tuopu Wen, Chandan Kumar Sah, Yining Shi, Mengmeng Yang, Diange Yang, Xiaoli Lian,
• Abstract要約: CleanMAPは、クラウドソースされたデータをフィルタリングし、HDマップ更新のために洗練するように設計されたフレームワークである。 信頼駆動型局所地図融合戦略は、最上位の局所地図をランク付けし、選択する。 クリーンマップは0.28mの最小平均マップ更新誤差を達成し、ベースライン(0.37m)を上回り、厳密な精度の閾値を満たす。
• 参考スコア（独自算出の注目度）: 11.992484839577395
• License:
• Abstract: The rapid growth of intelligent connected vehicles (ICVs) and integrated vehicle-road-cloud systems has increased the demand for accurate, real-time HD map updates. However, ensuring map reliability remains challenging due to inconsistencies in crowdsourced data, which suffer from motion blur, lighting variations, adverse weather, and lane marking degradation. This paper introduces CleanMAP, a Multimodal Large Language Model (MLLM)-based distillation framework designed to filter and refine crowdsourced data for high-confidence HD map updates. CleanMAP leverages an MLLM-driven lane visibility scoring model that systematically quantifies key visual parameters, assigning confidence scores (0-10) based on their impact on lane detection. A novel dynamic piecewise confidence-scoring function adapts scores based on lane visibility, ensuring strong alignment with human evaluations while effectively filtering unreliable data. To further optimize map accuracy, a confidence-driven local map fusion strategy ranks and selects the top-k highest-scoring local maps within an optimal confidence range (best score minus 10%), striking a balance between data quality and quantity. Experimental evaluations on a real-world autonomous vehicle dataset validate CleanMAP's effectiveness, demonstrating that fusing the top three local maps achieves the lowest mean map update error of 0.28m, outperforming the baseline (0.37m) and meeting stringent accuracy thresholds (<= 0.32m). Further validation with real-vehicle data confirms 84.88% alignment with human evaluators, reinforcing the model's robustness and reliability. This work establishes CleanMAP as a scalable and deployable solution for crowdsourced HD map updates, ensuring more precise and reliable autonomous navigation. The code will be available at https://Ankit-Zefan.github.io/CleanMap/
• Abstract（参考訳）: インテリジェントコネクテッドカー(ICV)と統合カーロードクラウドシステムの急速な成長により、正確なリアルタイムHDマップ更新の需要が増加した。 しかし、クラウドソースデータでは、動きのぼやけ、照明のバリエーション、悪天候、レーンマーキングの劣化に悩まされているため、マップの信頼性を確保することは依然として困難である。 本稿では,マルチモーダル大規模言語モデル(MLLM)に基づく,高信頼HDマップ更新のためのクラウドソースデータのフィルタリングと精錬を目的とした蒸留フレームワークであるCleanMAPを紹介する。 CleanMAPはMLLM駆動の車線視認性スコアリングモデルを利用して、車線検出への影響に基づいて、重要な視覚パラメータを体系的に定量化し、信頼スコア(0-10)を割り当てる。 新たな動的ピースワイド信頼スコア関数は、車線視認性に基づいてスコアを適応させ、信頼性の低いデータを効果的にフィルタリングしながら、人的評価と強い整合性を確保する。 地図精度をさらに最適化するため、信頼性駆動のローカルマップ融合戦略は、最適な信頼範囲(ベストスコアマイナス10%)内のトップkの最高スコアのローカルマップをランク付けし、データ品質と量とのバランスを崩す。 実世界の自動運転車データセットを用いた実験により、クリーンマップの有効性が検証され、上位3つのローカルマップを融合することで、平均地図更新誤差が0.28mに達し、ベースライン(0.37m)を上回り、厳密な精度閾値(=0.32m)を満たすことが実証された。 実車データによるさらなる検証では、84.88%が人間の評価者と一致しており、モデルの堅牢性と信頼性が強化されている。 この作業は、クラウドソースされたHDマップ更新のためのスケーラブルでデプロイ可能なソリューションとしてCleanMAPを確立し、より正確で信頼性の高い自律ナビゲーションを保証する。 コードはhttps://Ankit-Zefan.github.io/CleanMap/で入手できる。

関連論文リスト

• 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)
• Producing and Leveraging Online Map Uncertainty in Trajectory Prediction [30.190497345299004]
  我々は、現在最先端のオンラインマップ推定手法を拡張し、不確実性をさらに見積もる。 その結果,不確実性の導入によってトレーニングの収束が最大50%速くなり,予測性能が最大15%向上することがわかった。
  論文  参考訳（メタデータ） (2024-03-25T05:58:33Z)
• Mind the map! Accounting for existing map information when estimating online HDMaps from sensor [15.275704436439012]
  HDMapをセンサーから推定することで、コストを大幅に削減できる。 提案手法は,HDMapを推定する際の正確な状況の既存のマップを推定する。 我々は,新しいオンラインHDMap推定フレームワークであるMapEXを紹介する。
  論文  参考訳（メタデータ） (2023-11-17T13:40:10Z)
• Prior Based Online Lane Graph Extraction from Single Onboard Camera Image [133.68032636906133]
  単眼カメラ画像からレーングラフをオンラインに推定する。 前者は、トランスフォーマーベースのWasserstein Autoencoderを通じてデータセットから抽出される。 オートエンコーダは、最初のレーングラフ推定を強化するために使用される。
  論文  参考訳（メタデータ） (2023-07-25T08:58:26Z)
• Exploring Map-based Features for Efficient Attention-based Vehicle Motion Prediction [3.222802562733787]
  複数のエージェントの動作予測は、任意に複雑な環境において重要なタスクである。 本稿では,効率的な注意モデルを用いてArgoverse 1.0ベンチマークで競合性能を実現する方法を示す。
  論文  参考訳（メタデータ） (2022-05-25T22:38:11Z)
• 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)
• 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)
• Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
  近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。 本稿では,従来のアプローチのさらなる発展について述べる。 複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
  論文  参考訳（メタデータ） (2020-08-09T09:26:30Z)
• 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)
• 3D Lidar Mapping Relative Accuracy Automatic Evaluation Algorithm [7.4977759910523964]
  3Dライダーに基づくHD(High Definition)マップは、自動運転車のローカライゼーション、計画、意思決定、知覚などにおいて重要な役割を果たす。 SLAMに関連する多くの3次元ライダーマッピング技術は、高い精度を確保するためにHDマップ構築に使用されている。 3次元ライダーマッピングの精度を評価するため、最も一般的な手法はポーズの基底真理を用いて推定されたポーズと基底真理の誤差を計算する。 本稿では,3次元ライダーマッピングで構築したHDマップの精度を自動的に評価する相対的精度評価アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-01T11:30:31Z)

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。