InsightMapper: A Closer Look at Inner-instance Information for Vectorized High-Definition Mapping

要約

ベクトル化された高精細 (HD) マップには、周囲の道路要素に関する詳細な情報が含まれています。これは、車両の計画や制御など、最新の自動運転車両におけるさまざまな下流タスクにとって重要です。
最近の研究では、ベクトル化された HD マップを点セット予測タスクとして直接検出することが試みられ、その結果、検出パフォーマンスが大幅に向上しました。
ただし、これらのアプローチでは、予測点間の内部インスタンスの相関関係を分析して利用することができず、さらなる進歩が妨げられています。
これらの課題に対処するために、$\textbf{T}$ransformers を介してベクトル化された h$\textbf{IGH}$ 定義マッピングのための内部 $\textbf{INS}$tance 情報の利用を調査し、InsightMapper を導入します。
このペーパーでは、ハイブリッド クエリ生成、内部インスタンス クエリの融合、内部インスタンスの機能集約など、異なる方法で内部インスタンス情報を活用する、InsightMapper 内の 3 つの新しい設計を紹介します。
NuScenes データセットに対して比較実験が行われ、提案手法の優位性が示されています。
InsightMapper は、トポロジーの正確性を評価する以前の最先端 (SOTA) メソッドを 5.78 mAP および 5.12 TOPO 上回っています。
同時に、InsightMapper はトレーニング段階と推論段階の両方で高い効率を維持し、その結果、優れた総合的なパフォーマンスが実現します。
この作業のプロジェクト ページは https://tonyxuqaq.github.io/InsightMapper/ で入手できます。

要約(オリジナル)

Vectorized high-definition (HD) maps contain detailed information about surrounding road elements, which are crucial for various downstream tasks in modern autonomous driving vehicles, such as vehicle planning and control. Recent works have attempted to directly detect the vectorized HD map as a point set prediction task, resulting in significant improvements in detection performance. However, these approaches fail to analyze and exploit the inner-instance correlations between predicted points, impeding further advancements. To address these challenges, we investigate the utilization of inner-$\textbf{INS}$tance information for vectorized h$\textbf{IGH}$-definition mapping through $\textbf{T}$ransformers and introduce InsightMapper. This paper presents three novel designs within InsightMapper that leverage inner-instance information in distinct ways, including hybrid query generation, inner-instance query fusion, and inner-instance feature aggregation. Comparative experiments are conducted on the NuScenes dataset, showcasing the superiority of our proposed method. InsightMapper surpasses previous state-of-the-art (SOTA) methods by 5.78 mAP and 5.12 TOPO, which assess topology correctness. Simultaneously, InsightMapper maintains high efficiency during both training and inference phases, resulting in remarkable comprehensive performance. The project page for this work is available at https://tonyxuqaq.github.io/InsightMapper/ .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google