要約
基本的な道路要素をカバーする道路シーンのセマンティック マップは、自動運転システムに不可欠な要素です。
これは、Bird’s-Eye-View (BEV) でレンダリングされるときに、位置決めと計画のための重要な認識基盤を提供します。
現在、仮説的な深さに関する事前知識は、キャリブレーション パラメーターの助けを借りて正面透視図を BEV に直接変換する学習を導くことができます。
ただし、遠くのオブジェクトの表現では幾何学的歪みが発生します。
さらに、事前知識がなくても、別の一連の方法で、全体的なビューを使用して、正面透視図と BEV の間の変換を暗黙的に学習できます。
異なる学習方法の融合が驚くべき有益な効果をもたらす可能性があることを考慮して、我々は、グローバルな視点とローカルな事前知識を組み込んだ、トップダウンの道路シーンの意味理解のためのBi-Mapperフレームワークを提案します。
それらの間の信頼性の高い相互作用を強化するために、非同期相互学習戦略が提案されています。
同時に、空間間損失 (ASL) は、幾何学的歪みによる悪影響を軽減するように設計されています。
nuScenes および Cam2BEV データセットに関する広範な結果により、提案されている Bi-Mapper フレームワークの各モジュールの一貫した有効性が検証されています。
既存の道路地図ネットワークと比較して、提案された Bi-Mapper は nuScenes データセット上で 2.1% 高い IoU を達成します。
さらに、実際の運転シナリオにおける Bi-Mapper の一般化パフォーマンスを検証します。
コードは https://github.com/lynn-yu/Bi-Mapper で入手できます。
要約(オリジナル)
A semantic map of the road scene, covering fundamental road elements, is an essential ingredient in autonomous driving systems. It provides important perception foundations for positioning and planning when rendered in the Bird’s-Eye-View (BEV). Currently, the prior knowledge of hypothetical depth can guide the learning of translating front perspective views into BEV directly with the help of calibration parameters. However, it suffers from geometric distortions in the representation of distant objects. In addition, another stream of methods without prior knowledge can learn the transformation between front perspective views and BEV implicitly with a global view. Considering that the fusion of different learning methods may bring surprising beneficial effects, we propose a Bi-Mapper framework for top-down road-scene semantic understanding, which incorporates a global view and local prior knowledge. To enhance reliable interaction between them, an asynchronous mutual learning strategy is proposed. At the same time, an Across-Space Loss (ASL) is designed to mitigate the negative impact of geometric distortions. Extensive results on nuScenes and Cam2BEV datasets verify the consistent effectiveness of each module in the proposed Bi-Mapper framework. Compared with exiting road mapping networks, the proposed Bi-Mapper achieves 2.1% higher IoU on the nuScenes dataset. Moreover, we verify the generalization performance of Bi-Mapper in a real-world driving scenario. Code will be available at https://github.com/lynn-yu/Bi-Mapper.
arxiv情報
| 著者 | Siyu Li,Kailun Yang,Hao Shi,Jiaming Zhang,Jiacheng Lin,Zhifeng Teng,Zhiyong Li |
| 発行日 | 2023-09-04 01:05:00+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google