Neural Semantic Map-Learning for Autonomous Vehicles

要約

自動運転車は交通状況を確実に走行するために詳細な地図を必要とし、安全な運行を確保するために地図を最新の状態に保つ必要があります。
絶えず変化する道路網に地図を適応させる有望な方法は、クラウドソーシングされた車両群のデータを使用することです。
この作業では、中央インスタンスの車両群から収集されたローカル サブマップを融合して、走行可能エリア、車線境界線、電柱、障害物などを含む道路環境の一貫したマップを 3D メッシュとして生成するマッピング システムを紹介します。
各車両は、ローカルに再構築されたサブマップを軽量メッシュとして提供するため、私たちの方法は幅広い再構築方法とセンサーモダリティに適用できます。
私たちの方法は、シーン固有のニューラル署名距離フィールドを使用して、ノイズの多い不完全なローカル サブマップを共同で位置合わせしてマージします。このフィールドは、融合された環境表現を予測するためにサブマップ メッシュを使用して監視されます。
メモリ効率の高いまばらな特徴グリッドを活用して大規模な領域にスケールし、シーン再構築における不確実性をモデル化する信頼スコアを導入します。
私たちのアプローチは、異なるローカル マッピング手法を使用して 2 つのデータセットで評価され、既存の手法に比べてポーズの位置合わせと再構成が改善されていることがわかります。
さらに、マルチセッション マッピングの利点を実証し、自動運転車向けの高忠実度の地図学習を可能にするために必要なデータ量を調査します。

要約(オリジナル)

Autonomous vehicles demand detailed maps to maneuver reliably through traffic, which need to be kept up-to-date to ensure a safe operation. A promising way to adapt the maps to the ever-changing road-network is to use crowd-sourced data from a fleet of vehicles. In this work, we present a mapping system that fuses local submaps gathered from a fleet of vehicles at a central instance to produce a coherent map of the road environment including drivable area, lane markings, poles, obstacles and more as a 3D mesh. Each vehicle contributes locally reconstructed submaps as lightweight meshes, making our method applicable to a wide range of reconstruction methods and sensor modalities. Our method jointly aligns and merges the noisy and incomplete local submaps using a scene-specific Neural Signed Distance Field, which is supervised using the submap meshes to predict a fused environment representation. We leverage memory-efficient sparse feature-grids to scale to large areas and introduce a confidence score to model uncertainty in scene reconstruction. Our approach is evaluated on two datasets with different local mapping methods, showing improved pose alignment and reconstruction over existing methods. Additionally, we demonstrate the benefit of multi-session mapping and examine the required amount of data to enable high-fidelity map learning for autonomous vehicles.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google