SMART: Advancing Scalable Map Priors for Driving Topology Reasoning

要約

トポロジーの推論は、車線と交通要素の間の接続性と関係を包括的に理解することを可能にするため、自律運転にとって重要です。
最近のアプローチでは、車両に取り付けられたセンサーを使用して運転トポロジを知覚することに成功していますが、そのスケーラビリティは、一貫したセンサー構成によってキャプチャされたトレーニングデータへの依存によって妨げられています。
スケーラブルな車線認識とトポロジーの推論における重要な要因が、このセンサー依存の機能の排除であることを特定します。
これに対処するために、センサー設定に依存しない大規模なジオ参照高解像度（HD）マップによって監督されたMAP以前のモデルを学習するために、簡単に入手可能な標準解像度（SD）および衛星マップを活用するスケーラブルなソリューションであるSMARTを提案します。
。
スケーリングされたトレーニングに起因するスマートだけで、SDおよび衛星入力のみを使用して優れたオフラインレーントポロジの理解を達成します。
広範な実験はさらに、Smartをオンライントポロジの推論方法にシームレスに統合できることを示しており、OpenLane-V2ベンチマークで最大28％の大幅な改善をもたらします。

要約(オリジナル)

Topology reasoning is crucial for autonomous driving as it enables comprehensive understanding of connectivity and relationships between lanes and traffic elements. While recent approaches have shown success in perceiving driving topology using vehicle-mounted sensors, their scalability is hindered by the reliance on training data captured by consistent sensor configurations. We identify that the key factor in scalable lane perception and topology reasoning is the elimination of this sensor-dependent feature. To address this, we propose SMART, a scalable solution that leverages easily available standard-definition (SD) and satellite maps to learn a map prior model, supervised by large-scale geo-referenced high-definition (HD) maps independent of sensor settings. Attributed to scaled training, SMART alone achieves superior offline lane topology understanding using only SD and satellite inputs. Extensive experiments further demonstrate that SMART can be seamlessly integrated into any online topology reasoning methods, yielding significant improvements of up to 28% on the OpenLane-V2 benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google