論文の概要: SDTagNet: Leveraging Text-Annotated Navigation Maps for Online HD Map Construction
- arxiv url: http://arxiv.org/abs/2506.08997v1
- Date: Tue, 10 Jun 2025 17:16:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-11 15:11:42.963075
- Title: SDTagNet: Leveraging Text-Annotated Navigation Maps for Online HD Map Construction
- Title（参考訳）: SDTagNet:オンラインHDマップ構築のためのテキスト注釈ナビゲーションマップの活用
- Authors: Fabian Immel, Jan-Hendrik Pauls, Richard Fehler, Frank Bieder, Jonas Merkert, Christoph Stiller,
- Abstract要約: 高定義(HD)マップは、有望なソリューションを提供するが、その高いメンテナンスコストは、スケーラブルなデプロイメントに障壁をもたらす。
SDTagNetは,広く利用可能なSDマップの情報を完全に活用する初のオンラインHDマップ構築手法である。
Argoverse 2 と nuScenes の実験により、地図認識性能は +5.9 mAP まで向上することが示された。
- 参考スコア（独自算出の注目度）: 5.959152791978571
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous vehicles rely on detailed and accurate environmental information to operate safely. High definition (HD) maps offer a promising solution, but their high maintenance cost poses a significant barrier to scalable deployment. This challenge is addressed by online HD map construction methods, which generate local HD maps from live sensor data. However, these methods are inherently limited by the short perception range of onboard sensors. To overcome this limitation and improve general performance, recent approaches have explored the use of standard definition (SD) maps as prior, which are significantly easier to maintain. We propose SDTagNet, the first online HD map construction method that fully utilizes the information of widely available SD maps, like OpenStreetMap, to enhance far range detection accuracy. Our approach introduces two key innovations. First, in contrast to previous work, we incorporate not only polyline SD map data with manually selected classes, but additional semantic information in the form of textual annotations. In this way, we enrich SD vector map tokens with NLP-derived features, eliminating the dependency on predefined specifications or exhaustive class taxonomies. Second, we introduce a point-level SD map encoder together with orthogonal element identifiers to uniformly integrate all types of map elements. Experiments on Argoverse 2 and nuScenes show that this boosts map perception performance by up to +5.9 mAP (+45%) w.r.t. map construction without priors and up to +3.2 mAP (+20%) w.r.t. previous approaches that already use SD map priors. Code is available at https://github.com/immel-f/SDTagNet
- Abstract（参考訳）: 自動運転車は安全に運用するために、詳細な正確な環境情報に依存している。
高定義(HD)マップは、有望なソリューションを提供するが、その高いメンテナンスコストは、スケーラブルなデプロイメントに重大な障壁をもたらす。
この課題は、ライブセンサデータからローカルHDマップを生成するオンラインHDマップ構築手法によって解決される。
しかし、これらの手法は本来、搭載センサーの短い知覚範囲によって制限されている。
この制限を克服し、一般的な性能を改善するために、最近のアプローチでは、保守が極めて容易な標準定義(SD)マップを以前として使用することを検討してきた。
SDTagNetは,OpenStreetMapのような広く利用可能なSDマップの情報を完全に活用し,遠距離検出精度を向上させるオンラインHDマップ構築手法である。
このアプローチには2つの重要なイノベーションがあります。
まず、従来の研究とは対照的に、手動で選択したクラスを持つポリラインSDマップデータだけでなく、テキストアノテーションという形で意味情報を追加する。
このように、SDベクトルマップトークンを NLP から派生した特徴で強化し、事前定義された仕様や徹底したクラス分類への依存を排除します。
第2に、全ての種類の地図要素を統一的に統合するために、直交要素識別子と共にポイントレベルのSDマップエンコーダを導入する。
Argoverse 2 と nuScenes の実験では、既にSDマッププリエントを使用していた従来のアプローチでは、前もって、+5.9 mAP (+45%) w.r.t.マップ構築、+3.2 mAP (+20%) w.r.t.までのマップ認識性能が向上している。
コードはhttps://github.com/immel-f/SDTagNetで入手できる。
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) - OpenSatMap: A Fine-grained High-resolution Satellite Dataset for Large-scale Map Construction [65.4151284975348]
OpenSatMapは、大規模マップ構築のための細粒度で高解像度の衛星データセットである。
データセットの公開とメンテナンスにより、衛星ベースのマップ構築と、自律運転のような下流タスクのための高品質なベンチマークを提供する。
論文 参考訳（メタデータ） (2024-10-30T17:56:02Z) - 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た。
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) - Enhancing Online Road Network Perception and Reasoning with Standard Definition Maps [14.535963852751635]
我々は,オンラインベクトル化HDマップ表現の開発において,軽量でスケーラブルな事前規格定義(SD)マップを活用することに注力する。
重要な発見は、SDマップエンコーダがモデル非依存であり、鳥の目視(BEV)エンコーダを利用する新しいアーキテクチャに迅速に適応できることである。
この結果から,オンライン地図作成タスクの先行作業としてSDマップを使用すると,コンバージェンスが大幅に向上し,オンラインセンターライン認識タスクの性能が30%向上する可能性が示唆された。
論文 参考訳（メタデータ） (2024-08-01T19:39:55Z) - P-MapNet: Far-seeing Map Generator Enhanced by both SDMap and HDMap Priors [33.73570824028748]
提案するP-MapNetでは、P文字は、モデル性能を改善するために、マッププリエントの導入に重点を置いているという事実を強調している。
注意に基づくアーキテクチャは,SDMapスケルトンに適応的に対応し,性能を大幅に向上させる。
P-MapNetは、長い範囲でより大きな改善をもたらす、探究可能なソリューションです。
論文 参考訳（メタデータ） (2024-03-15T17:59:53Z) - 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) - 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) - 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)
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。