Learning and Aggregating Lane Graphs for Urban Automated Driving

要約

レーン グラフの推定は、自動運転と HD マップの学習において不可欠であり、非常に困難なタスクです。
搭載画像または航空画像を使用する既存の方法は、複雑なレーン トポロジー、分布外のシナリオ、または画像空間内の重大な閉塞に苦戦しています。
さらに、オーバーラップするレーン グラフをマージして、一貫した大規模なグラフを取得することは依然として困難です。
これらの課題を克服するために、複数の重なり合うグラフを単一の一貫したグラフに集約する、航空画像からレーン グラフを推定する新しいボトムアップ アプローチを提案します。
そのモジュラー設計により、私たちの方法では、2 つの補完的なタスクに対処できます。グラフ ニューラル ネットワークを使用して、任意の車両位置から自我に応じた後続レーン グラフを予測し、これらの予測を一貫したグローバル レーン グラフに集約します。
大規模なレーン グラフ データセットでの広範な実験により、深刻なオクルージョンのある領域でも、このアプローチが非常に正確なレーン グラフを生成することが実証されました。
グラフ集約に対する提示されたアプローチは、全体的なグラフの品質を向上させながら、一貫性のない予測を排除することを証明しています。
大規模な都市レーン グラフ データセットとコードを http://urbanlanegraph.cs.uni-freiburg.de で公開しています。

要約(オリジナル)

Lane graph estimation is an essential and highly challenging task in automated driving and HD map learning. Existing methods using either onboard or aerial imagery struggle with complex lane topologies, out-of-distribution scenarios, or significant occlusions in the image space. Moreover, merging overlapping lane graphs to obtain consistent large-scale graphs remains difficult. To overcome these challenges, we propose a novel bottom-up approach to lane graph estimation from aerial imagery that aggregates multiple overlapping graphs into a single consistent graph. Due to its modular design, our method allows us to address two complementary tasks: predicting ego-respective successor lane graphs from arbitrary vehicle positions using a graph neural network and aggregating these predictions into a consistent global lane graph. Extensive experiments on a large-scale lane graph dataset demonstrate that our approach yields highly accurate lane graphs, even in regions with severe occlusions. The presented approach to graph aggregation proves to eliminate inconsistent predictions while increasing the overall graph quality. We make our large-scale urban lane graph dataset and code publicly available at http://urbanlanegraph.cs.uni-freiburg.de.

arxiv情報

著者 Martin Büchner,Jannik Zürn,Ion-George Todoran,Abhinav Valada,Wolfram Burgard
発行日 2023-03-17 12:38:53+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.RO パーマリンク