Augmenting Lane Perception and Topology Understanding with Standard Definition Navigation Maps

要約

自動運転は従来、コストと労働集約的な高解像度 (HD) マップに大きく依存しており、スケーラビリティを妨げていました。
対照的に、標準定義 (SD) 地図はより手頃な価格で世界中をカバーしており、スケーラブルな代替手段を提供します。
この研究では、リアルタイムのレーン トポロジを理解するための SD マップの効果を体系的に調査します。
我々は、SD マップをオンライン マップ予測に統合するための新しいフレームワークを提案し、レーン トポロジ予測タスクに SD マップの事前分布を活用する、Transformer ベースのエンコーダである transFormers の SD Map Encoder Representations を提案します。
この機能強化により、付加機能なしで現在の最先端のオンライン マップ予測方法における車線検出とトポロジ予測が一貫して大幅に (最大 60%) 向上し、Transformer ベースの車線トポロジ方法にすぐに組み込むことができます。
コードは https://github.com/NVlabs/SMERF で入手できます。

要約(オリジナル)

Autonomous driving has traditionally relied heavily on costly and labor-intensive High Definition (HD) maps, hindering scalability. In contrast, Standard Definition (SD) maps are more affordable and have worldwide coverage, offering a scalable alternative. In this work, we systematically explore the effect of SD maps for real-time lane-topology understanding. We propose a novel framework to integrate SD maps into online map prediction and propose a Transformer-based encoder, SD Map Encoder Representations from transFormers, to leverage priors in SD maps for the lane-topology prediction task. This enhancement consistently and significantly boosts (by up to 60%) lane detection and topology prediction on current state-of-the-art online map prediction methods without bells and whistles and can be immediately incorporated into any Transformer-based lane-topology method. Code is available at https://github.com/NVlabs/SMERF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google