Neural HD Map Generation from Multiple Vectorized Tiles Locally Produced by Autonomous Vehicles

要約

高解像度 (HD) マップは、運転シーンに関する正確な環境情報を提供できるため、自動運転システムの基本的なコンポーネントです。
ベクトル化されたマップ生成に関する最近の研究では、オンボード センサーを使用した 1 回のツアーによって、実行時に自車両周囲のローカル マップ要素が 65% しか生成できず、高品質の標準の下で世界座標系に投影されるグローバル HD マップをどのように構築するかという謎が残されています。
。
この問題に対処するために、私たちは GNMap をエンドツーエンドの生成ニューラル ネットワークとして提供し、複数のツアーを通じて自動運転車によってローカルに生成される複数のベクトル化タイルを含む HD マップを自動的に構築します。
マルチレイヤーのアテンションベースのオートエンコーダーを共有ネットワークとして利用し、そのパラメーターは 2 つの異なるタスク (つまり、それぞれ事前トレーニングと微調整) から学習され、生成されたマップの完全性と要素カテゴリの正確性の両方を保証します。
現実世界のデータセットに対して豊富な定性評価が行われ、実験結果では、GNMap が SOTA 手法を F1 スコアで 5% 以上上回り、少量の手動変更で産業利用のレベルに達することが示されました。
すでに株式会社ナビインフォに導入されており、自動運転システム向けのHDマップ自動構築に欠かせないソフトウェアとして活躍しています。

要約(オリジナル)

High-definition (HD) map is a fundamental component of autonomous driving systems, as it can provide precise environmental information about driving scenes. Recent work on vectorized map generation could produce merely 65% local map elements around the ego-vehicle at runtime by one tour with onboard sensors, leaving a puzzle of how to construct a global HD map projected in the world coordinate system under high-quality standards. To address the issue, we present GNMap as an end-to-end generative neural network to automatically construct HD maps with multiple vectorized tiles which are locally produced by autonomous vehicles through several tours. It leverages a multi-layer and attention-based autoencoder as the shared network, of which parameters are learned from two different tasks (i.e., pretraining and finetuning, respectively) to ensure both the completeness of generated maps and the correctness of element categories. Abundant qualitative evaluations are conducted on a real-world dataset and experimental results show that GNMap can surpass the SOTA method by more than 5% F1 score, reaching the level of industrial usage with a small amount of manual modification. We have already deployed it at Navinfo Co., Ltd., serving as an indispensable software to automatically build HD maps for autonomous driving systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google