本文提出了一种系统化的向量地图注释框架(VMA),用于有效生成大规模自动驾驶场景的高清地图。VMA 采用分治注释方案解决了高清地图生成中的空间可扩展性问题,并将地图要素抽象为不同的几何图案统一点序列表示,从而提高了生成地图的效率和灵活性。实测结果表明,VMA 显著提高了地图生成效率,同时降低了人力成本。
Apr, 2023
本文介绍 HD 语义地图学习的问题,提出了一种语义地图学习方法 HDMapNet,通过多传感器数据的融合,可以更好地动态地构建地图语义,并且相比于传统基线方法具有更好的性能。
Jul, 2021
本研究提出了一个名为 VectorMapNet 的端到端矢量化高清地图学习管道,它可以利用传感器观测数据预测出鸟瞰图中稀疏的折线。该管道可以明确地建模地图元素之间的空间关系,并生成对自主驾驶任务友好的矢量化高清地图。实验表明,VectorMapNet 在 nuScenes 和 Argoverse2 数据集上的地图学习性能优于以前的最先进方法,MAP 分别提高了 14.2 和 14.6。
Jun, 2022
本文介绍了一种端到端的用于构建具有语义含义的精确高清三维地图的系统的制图组件,使用消费级配件,实现了实时交通标志和车道的三角测量,并具有离线标志 / 车道聚类和离线多次行程的 Bundle Adjustment,如此构建的地图在 25 次路线中的标志角处的平均绝对精度小于 20 厘米。据我们所知,在汽车领域使用成本效益高的传感器,这是第一个使用全局坐标的端到端高清地图管道。
Mar, 2017
本文提出了一种基于车载摄像头图像的道路布局推断模型,同时构建了一个路况数据集,可以将导航地图的元数据与 Google 街景图像匹配以提供标签,并利用深度卷积网络训练该模型,结果表明该方法可用于提升基础设施安全性。
Nov, 2016
本文介绍了一种将图像和预先构建的点云地图信息融合的方法来自动且准确地标记诸如道路、人行道、人行横道和车道等静态地标,并展示了该模型可以预测大部分道路特征并可以扩展用于自动将道路特征纳入高清地图。
Jun, 2020
提出了一种新颖的轻量级视觉语义定位算法,通过稳定的语义特征代替低级纹理特征,结合离线构建的语义地图和在线的数据关联实现实时的自动驾驶定位。实验结果表明,该方法在各种自动驾驶定位任务中是可靠且实用的定位解决方案。
Jun, 2024
本文介绍了使用高清地图上的 2D 杆状特征对图像进行自动标注,并利用附加的激光雷达传感器对遮挡特征进行过滤,并演示了如何训练物体探测器来检测杆状特征。在自动生成的数据和手动标注的数据的比较中,我们验证了该方法的有效性。
Mar, 2024
该研究论文提出了一种将语义实例标签从二维提升到三维的方法,通过从解析来自立体或激光数据的重建场景的 2D 标签信息,转化到图像域,可更高效地完成像素级别的语义注释与更准确,基于时间的标签。
Nov, 2015
StreamMapNet 是一种能进行长序列时间建模视频的新型在线地图制作方法,能够在广泛感知范围内构建具有高稳定性的大范围本地高清地图,并解决了现有方法的局限性,其在所有设置下均明显优于现有方法,同时保持 14.2FPS 的在线推理速度。
Aug, 2023