Inferring Driving Maps by Deep Learning-based Trail Map Extraction

要約

高解像度（HD）マップは、運転シーンに関する広範かつ正確な環境情報を提供し、自律駆動システム内で計画するための重要かつ不可欠な要素となっています。
手動ラベルからの広範な取り組みを回避するために、マップ作成を自動化する方法が登場しました。
最近の傾向は、オフラインマッピングからオンラインマッピングに移行し、利用されたマップの可用性と現実性を確保しています。
パフォーマンスは近年増加していますが、オンラインマッピングは、時間的一貫性、センサー閉塞、ランタイム、および一般化に関する課題に依然として課題に直面しています。
ドライバーが使用するトレイル（非公式のルート）をマップ作成プロセスに統合する新しいオフラインマッピングアプローチを提案します。
この方法では、エゴ車両や他の交通参加者からのトレイルデータを集約して、変圧器ベースのディープラーニングモデルを使用して包括的なグローバルマップを構築します。
従来のオフラインマッピングとは異なり、当社のアプローチは、継続的な更新を可能にし、センサーに依存しない、効率的なデータ転送を促進します。
私たちの方法は、最先端のオンラインマッピングアプローチと比較して優れたパフォーマンスを示し、以前に見えない環境とセンサー構成の一般化の改善を実現します。
2つのベンチマークデータセットでアプローチを検証し、自律運転システムにおけるその堅牢性と適用性を強調します。

要約(オリジナル)

High-definition (HD) maps offer extensive and accurate environmental information about the driving scene, making them a crucial and essential element for planning within autonomous driving systems. To avoid extensive efforts from manual labeling, methods for automating the map creation have emerged. Recent trends have moved from offline mapping to online mapping, ensuring availability and actuality of the utilized maps. While the performance has increased in recent years, online mapping still faces challenges regarding temporal consistency, sensor occlusion, runtime, and generalization. We propose a novel offline mapping approach that integrates trails – informal routes used by drivers – into the map creation process. Our method aggregates trail data from the ego vehicle and other traffic participants to construct a comprehensive global map using transformer-based deep learning models. Unlike traditional offline mapping, our approach enables continuous updates while remaining sensor-agnostic, facilitating efficient data transfer. Our method demonstrates superior performance compared to state-of-the-art online mapping approaches, achieving improved generalization to previously unseen environments and sensor configurations. We validate our approach on two benchmark datasets, highlighting its robustness and applicability in autonomous driving systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google