Exploring Real World Map Change Generalization of Prior-Informed HD Map Prediction Models

要約

高精細 (HD) マップの構築と維持は、自動運転車の導入にとって大きな障壁となります。
これは、最新のオンライン地図検出モデルの進歩と相まって、オンライン地図問題への新たな関心を引き起こしています。
ただし、安全でドライバーレスの展開を可能にする十分な品質でオンライン マップを効果的に予測することは、依然として大きな課題です。
これらのモデルに関する最近の研究では、古い HD マップ事前マップをシミュレートするために、合成摂動を伴う低品質マップ事前マップを使用して、堅牢なオンライン マッピング システムをトレーニングすることが提案されています。
この論文では、これらの合成的に摂動されたマップ事前分布でトレーニングされたモデルが、展開規模の現実世界のマップ変更でのパフォーマンスにどのように一般化されるかを調査します。
我々は、現実世界の HD マップの変更を一般化する際にどの合成摂動が最も役立つかを決定するための大規模な実験研究を紹介します。この研究は、複数年にわたる現実世界の自動運転データを使用して評価されました。
我々は、合成事前摂動と観測された現実世界の変化の間には依然として大きな sim2real ギャップがあり、これが現在の事前情報に基づいた HD マップ予測モデルの有用性を制限していることを示します。

要約(オリジナル)

Building and maintaining High-Definition (HD) maps represents a large barrier to autonomous vehicle deployment. This, along with advances in modern online map detection models, has sparked renewed interest in the online mapping problem. However, effectively predicting online maps at a high enough quality to enable safe, driverless deployments remains a significant challenge. Recent work on these models proposes training robust online mapping systems using low quality map priors with synthetic perturbations in an attempt to simulate out-of-date HD map priors. In this paper, we investigate how models trained on these synthetically perturbed map priors generalize to performance on deployment-scale, real world map changes. We present a large-scale experimental study to determine which synthetic perturbations are most useful in generalizing to real world HD map changes, evaluated using multiple years of real-world autonomous driving data. We show there is still a substantial sim2real gap between synthetic prior perturbations and observed real-world changes, which limits the utility of current prior-informed HD map prediction models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google