論文の概要: Impact of Localization Errors on Label Quality for Online HD Map Construction
- arxiv url: http://arxiv.org/abs/2603.03452v1
- Date: Tue, 03 Mar 2026 19:08:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-05 21:29:15.058665
- Title: Impact of Localization Errors on Label Quality for Online HD Map Construction
- Title（参考訳）: オンラインHDマップ構築における局所誤差がラベル品質に及ぼす影響
- Authors: Alexander Blumberg, Jonas Merkert, Richard Fehler, Fabian Immel, Frank Bieder, Jan-Hendrik Pauls, Christoph Stiller,
- Abstract要約: 本稿では,Ramp,Gaussian,Perlinの3種類のローカライゼーション誤差を導入し,生成した地図ラベルへの影響について検討する。
ローカライゼーションエラーは, 距離ラベルに悪影響を及ぼすが, 駆動性能にはあまり影響しないため, 距離ベースマップ構築基準を導入する。
車両への距離が大きくなるにつれて、角度誤差がラベルの歪みを増大させるので、方向角の誤差は位置誤差よりも顕著な影響を及ぼすことを示した。
- 参考スコア（独自算出の注目度）: 38.397834920878175
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-definition (HD) maps are crucial for autonomous vehicles, but their creation and maintenance is very costly. This motivates the idea of online HD map construction. To provide a continuous large-scale stream of training data, existing HD maps can be used as labels for onboard sensor data from consumer vehicle fleets. However, compared to current, well curated HD map perception datasets, this fleet data suffers from localization errors, resulting in distorted map labels. We introduce three kinds of localization errors, Ramp, Gaussian, and Perlin noise, to examine their influence on generated map labels. We train a variant of MapTRv2, a state-of-the-art online HD map construction model, on the Argoverse 2 dataset with various levels of localization errors and assess the degradation of model performance. Since localization errors affect distant labels more severely, but are also less significant to driving performance, we introduce a distance-based map construction metric. Our experiments reveal that localization noise affects the model performance significantly. We demonstrate that errors in heading angle exert a more substantial influence than position errors, as angle errors result in a greater distortion of labels as distance to the vehicle increases. Furthermore, we can demonstrate that the model benefits from non-distorted ground truth (GT) data and that the performance decreases more than linearly with the increase in noisy data. Our study additionally provides a qualitative evaluation of the extent to which localization errors influence the construction of HD maps.
- Abstract（参考訳）: ハイデフィニション(HD)マップは自動運転車にとって不可欠だが、その作成とメンテナンスは非常にコストがかかる。
これは、オンラインHDマップ構築のアイデアを動機付けている。
既存のHDマップを、消費者車両の搭載センサーデータのラベルとして使用することができる、連続した大規模なトレーニングデータのストリームを提供する。
しかし、現在のよく計算されたHDマップ認識データセットと比較して、このフリートデータはローカライズエラーに悩まされ、結果として地図ラベルが歪んだ。
本稿では,Ramp,Gaussian,Perlinの3種類のローカライゼーション誤差を導入し,生成した地図ラベルへの影響について検討する。
我々は、Argoverse 2データセット上に、最先端のオンラインHDマップ構築モデルであるMapTRv2の様々なレベルのローカライズエラーをトレーニングし、モデル性能の劣化を評価する。
ローカライゼーションエラーは, 距離ラベルに悪影響を及ぼすが, 駆動性能にはあまり影響しないため, 距離ベースマップ構築基準を導入する。
実験の結果,局所化ノイズがモデル性能に大きく影響していることが判明した。
車両への距離が大きくなるにつれて、角度誤差がラベルの歪みを増大させるので、方向角の誤差は位置誤差よりも顕著な影響を及ぼすことを示した。
さらに、このモデルが非歪み基底真理(GT)データから恩恵を受けることを実証し、ノイズの多いデータの増加に伴い、その性能が線形に低下することを示した。
また,本研究では,局所化誤差がHDマップの構成にどのような影響を及ぼすかを定性的に評価する。
関連論文リスト
- MapRF: Weakly Supervised Online HD Map Construction via NeRF-Guided Self-Training [6.6099504578472414]
MapRFは弱い教師付きフレームワークであり、2Dイメージラベルのみを使用して3Dマップを構築することを学ぶ。
自己学習中の誤差蓄積を軽減するため,マップ・ツー・レイマッチング方式を提案する。
論文 参考訳（メタデータ） (2025-11-24T07:23:10Z) - 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) - 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) - Exploring Real World Map Change Generalization of Prior-Informed HD Map Prediction Models [5.133952727872198]
ハイディフィニション(HD)マップの構築と維持は、自動運転車の配備にとって大きな障壁となる。
実世界のHDマップの変化を一般化するために,どの合成摂動が最も有用かを決定するための大規模実験を行った。
論文 参考訳（メタデータ） (2024-06-04T04:43:58Z) - ADMap: Anti-disturbance framework for reconstructing online vectorized
HD map [9.218463154577616]
本稿では, 反ゆらぎマップ再構築フレームワーク (ADMap) を提案する。
点次ジッタを緩和するため、このフレームワークは、マルチスケール知覚ネック、インスタンスインタラクティブアテンション(IIA)、ベクトル方向差損失(VDDL)の3つのモジュールで構成されている。
論文 参考訳（メタデータ） (2024-01-24T01:37:27Z) - 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) - 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) - Dataset Cartography: Mapping and Diagnosing Datasets with Training
Dynamics [118.75207687144817]
我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。
私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。
以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-22T20:19:41Z)
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。