Exploring Navigation Maps for Learning-Based Motion Prediction

要約

周囲のエージェントの動きを予測することは、安全な自動運転の鍵です。
このホワイト ペーパーでは、学習ベースの動き予測のための主要な高解像度 (HD) マップの代替として、ナビゲーション マップについて説明します。
ナビゲーション マップは、道路レベルのトポロジーおよび幾何学的情報を提供し、HD マップはさらにセンチメートル単位の精度の車線レベルの情報を提供します。
その結果、HD マップを取得するにはコストと時間がかかりますが、ほぼ全球をカバーするナビゲーション マップは無料で入手できます。
ナビゲーション マップを学習ベースのモーション予測モデルに統合するアプローチについて説明します。
トレーニング中にローカルで利用可能な HD マップを活用するために、知識の蒸留のためのモデルに依存しない方法をさらに提案します。
OpenStreetMap から取得したナビゲーション マップを使用した一般公開されている Argoverse データセットの実験では、マップをまったく使用しない場合よりも大幅な改善が見られました。
知識を抽出する方法と組み合わせることで、元の HD マップ依存モデルに近い結果が得られます。
公開されている Argoverse 用のナビゲーション マップ API により、研究者はナビゲーション マップを使用した独自のアプローチを開発および評価できます。

要約(オリジナル)

The prediction of surrounding agents’ motion is a key for safe autonomous driving. In this paper, we explore navigation maps as an alternative to the predominant High Definition (HD) maps for learning-based motion prediction. Navigation maps provide topological and geometrical information on road-level, HD maps additionally have centimeter-accurate lane-level information. As a result, HD maps are costly and time-consuming to obtain, while navigation maps with near-global coverage are freely available. We describe an approach to integrate navigation maps into learning-based motion prediction models. To exploit locally available HD maps during training, we additionally propose a model-agnostic method for knowledge distillation. In experiments on the publicly available Argoverse dataset with navigation maps obtained from OpenStreetMap, our approach shows a significant improvement over not using a map at all. Combined with our method for knowledge distillation, we achieve results that are close to the original HD map-reliant models. Our publicly available navigation map API for Argoverse enables researchers to develop and evaluate their own approaches using navigation maps.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google