利用先前地图的驾驶:自主车辆地图的统一向量先前编码
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
本研究提出了一种名为 NMP 的神经网络结构,能够自动更新全局地图并改善局部地图推理性能,实现了全局地图先验的初步学习。实验表明,该框架对各种地图分割和检测架构具有高度兼容性,并且即使在恶劣天气条件和较长的预测时间跨度内,也能显著增强地图预测性能。
Apr, 2023
高清地图提供丰富而准确的静态环境信息,是自动驾驶系统规划中不可或缺的基本组成部分。本文提出了一种名为Map Transformer的端到端框架,用于在线矢量高清地图构建。我们提出了统一的排列等价建模方法,即将地图元素建模为一个带有一组等价排列的点集,准确描述了地图元素的形状并稳定了学习过程。我们设计了一个层次化查询嵌入方案,以灵活编码结构化的地图信息,并进行地图元素学习的层次二分匹配。为了加速收敛,我们进一步引入了辅助的一对多匹配和密集监督。所提出的方法能够很好地处理任意形状的地图元素。它以实时推断速度运行,并在nuScenes和Argoverse2数据集上达到了最先进的性能。丰富的定性结果展示了在复杂和各种驾驶场景中稳定和鲁棒的地图构建质量。通过https://github.com/hustvl/MapTR提供的代码和更多演示,有助于进一步研究和应用。
Aug, 2023
本研究针对生成和维护高清地图的挑战,提出将标准定义(SD)地图融入在线映射架构的新方法,以提高城市和高速公路自动驾驶的导航能力。研究发现,SD地图编码器对模型无关,能够快速适应新架构,结果显示该方法显著提高了在线中心线感知任务的性能,缩短了收敛时间,并减少了感知推理任务中的参数数量。
Aug, 2024
本研究解决了在线矢量化高清地图构建中参考点随机初始化导致的匹配不稳定问题。通过引入PPS解码器和PF编码器,结合先验位置和结构信息,本方法提高了学习稳定性并实现了最佳性能。该工作有望显著提升自动驾驶领域的地图构建精度与效率。
Aug, 2024
本研究解决了在线矢量化高精度地图构建中的参考点随机初始化问题,这导致了预测与真实值之间的不稳定匹配。通过引入PriorMapNet,这一方法利用位置和结构先验改善了参考点的匹配稳定性,并在nuScenes和Argoverse2数据集上实现了最先进的性能。
Aug, 2024
本研究探讨了局部地图在自动驾驶技术中的核心作用,尤其是将标准定义地图(SD地图)作为 prior 信息的整合方法。文章的关键发现是,SD地图的低成本、易获取性和高通用性为局部地图感知方法提供了显著的潜力,同时综述了当前研究的最新进展和未来的挑战,引导研究者更好地认识这一领域的趋势与方法。
Sep, 2024
本文解决了自动驾驶车辆高精度地图(HD地图)创建和维护中的成本和时效性挑战。提出的PriorDrive框架利用多种先前地图,有效增强了在线HD地图构建的鲁棒性和准确性。研究结果表明,该方法大幅提升了地图预测能力,为更可靠的自动驾驶导航铺平了道路。
Sep, 2024