InstaGraM: Instance-level Graph Modeling for Vectorized HD Map Learning

要約

スケーラブルな自動運転には、GPS に依存しない、堅牢な地図ベースの位置特定システムが不可欠です。
このようなマップベースの位置特定を実現するには、オンラインの高解像度 (HD) マップ構築が姿勢の正確な推定に重要な役割を果たします。
オンライン HD マップ構築の最近の進歩では、その有効性から主にベクトル化された表現が研究されてきましたが、スケーラビリティを制限する計算コストと固定パラメトリック モデルという問題に悩まされています。
これらの制限を軽減するために、グラフ モデリングを活用した新しい HD マップ学習フレームワークを提案します。
このフレームワークは、さまざまな幾何学的形状の構築を学習するように設計されており、それによって HD マップ構築のスケーラビリティが向上します。
私たちのアプローチには、正確かつ効率的なエンドツーエンドのベクトル化された HD マップ学習を促進するために、マップ要素を頂点とエッジに分解することでインスタンス レベルのグラフとして表現することが含まれます。
さらに、グラフ ニューラル ネットワークを使用した関連付け戦略を導入し、スケーラビリティを維持しながらさまざまなマップ要素の複雑なジオメトリを効率的に処理します。
公開されているオープン データセットでの包括的な実験により、私たちが提案したネットワークが最先端のモデルよりも $1.6$ mAP 優れていることがわかりました。
さらに、最先端の方法と比較して当社のアプローチの優れたスケーラビリティを実証し、長距離構成で 4.8 ドルの mAP 改善を達成しました。
私たちのコードは https://github.com/juyebshin/InstaGraM で入手できます。

要約(オリジナル)

For scalable autonomous driving, a robust map-based localization system, independent of GPS, is fundamental. To achieve such map-based localization, online high-definition (HD) map construction plays a significant role in accurate estimation of the pose. Although recent advancements in online HD map construction have predominantly investigated on vectorized representation due to its effectiveness, they suffer from computational cost and fixed parametric model, which limit scalability. To alleviate these limitations, we propose a novel HD map learning framework that leverages graph modeling. This framework is designed to learn the construction of diverse geometric shapes, thereby enhancing the scalability of HD map construction. Our approach involves representing the map elements as an instance-level graph by decomposing them into vertices and edges to facilitate accurate and efficient end-to-end vectorized HD map learning. Furthermore, we introduce an association strategy using a Graph Neural Network to efficiently handle the complex geometry of various map elements, while maintaining scalability. Comprehensive experiments on public open dataset show that our proposed network outperforms state-of-the-art model by $1.6$ mAP. We further showcase the superior scalability of our approach compared to state-of-the-art methods, achieving a $4.8$ mAP improvement in long range configuration. Our code is available at https://github.com/juyebshin/InstaGraM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google