Evaluating Global Geo-alignment for Precision Learned Autonomous Vehicle Localization using Aerial Data

要約

最近、主に大幅なコスト削減とスケーラビリティの向上の可能性があるため、自動運転車用の空中および衛星マップデータの使用に関心が高まっています。
利点にもかかわらず、空中データには、センサーモダリティギャップや視点差ギャップなどの課題も伴います。
学習したローカリゼーション方法は、これらの課題を克服するための有望であり、自律車両に正確なメトリックローカリゼーションを提供しています。
ほとんどの学習されたローカリゼーション方法は、粗く整列した地上真理、またはローカリゼーションタスクを学ぶための暗黙の一貫性ベースの方法に依存していますが、このホワイトペーパーでは、トレーニング時に航空データと自律車両センサーデータのアライメントを改善することは、学習ベースのローカリゼーションシステムのパフォーマンスに重要であることがわかります。
因子グラフフレームワークを使用して2つのデータアラインメントメソッドを比較し、これらの方法を使用して、アブレーション研究を通じて学習されたローカリゼーションの精度に対する密接に整列した真理の効果を評価します。
最後に、包括的な（1600km）自律車データセットのデータアライメントメソッドを使用して学習ローカリゼーションシステムを評価し、自律車両アプリケーションに十分な0.3mおよび0.5 $^{\ circ} $未満のローカリゼーションエラーを実証します。

要約(オリジナル)

Recently there has been growing interest in the use of aerial and satellite map data for autonomous vehicles, primarily due to its potential for significant cost reduction and enhanced scalability. Despite the advantages, aerial data also comes with challenges such as a sensor-modality gap and a viewpoint difference gap. Learned localization methods have shown promise for overcoming these challenges to provide precise metric localization for autonomous vehicles. Most learned localization methods rely on coarsely aligned ground truth, or implicit consistency-based methods to learn the localization task — however, in this paper we find that improving the alignment between aerial data and autonomous vehicle sensor data at training time is critical to the performance of a learning-based localization system. We compare two data alignment methods using a factor graph framework and, using these methods, we then evaluate the effects of closely aligned ground truth on learned localization accuracy through ablation studies. Finally, we evaluate a learned localization system using the data alignment methods on a comprehensive (1600km) autonomous vehicle dataset and demonstrate localization error below 0.3m and 0.5$^{\circ}$ sufficient for autonomous vehicle applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google