Framework anti-interférence ADMap : un outil puissant pour reconstruire en ligne des cartes vectorisées de haute précision

• Lien papier : https://arxiv.org/pdf/2401.13172.pdf
• Lien code : https://github.com/hht1996ok/ADMap

Résumé

Introduction à cet article ADMap, un framework anti-interférence pour la reconstruction de cartes vectorisées en ligne de haute précision. Dans le domaine de la conduite autonome, la reconstruction en ligne de cartes de haute précision est cruciale pour les tâches de planification. Ces dernières années, une variété de modèles de reconstruction cartographique haute performance et haute précision ont été développés pour répondre à cette demande. Cependant, en raison du biais de prédiction, la séquence de points dans le vecteur d'instance peut apparaître instable ou irrégulière, ce qui affectera les tâches ultérieures. À cette fin, cet article propose un cadre de reconstruction de carte anti-interférence ADMap. Le cadre ADMap se compose de trois modules, à savoir le cou perceptuel multi-échelle (MPN), l'attention interactive par instance (IIA) et la perte de différence de direction vectorielle (VDDL). En explorant les relations d'ordre des points entre les instances et au sein des instances de manière en cascade, ce modèle peut surveiller plus efficacement le processus de prédiction de l'ordre des points, atténuant ainsi le problème de la gigue de l'ordre des points. Les expériences démontrent qu'ADMap atteint des performances de pointe sur les ensembles de données nuScenes et Argoverse2. Un grand nombre de résultats montrent qu'ADMap peut générer des éléments cartographiques stables et fiables dans des scénarios de conduite complexes et changeants. Ceci est essentiel pour la sécurité et la précision des systèmes de conduite autonome. En résumé, ADMap est un cadre innovant de reconstruction de cartes anti-interférences qui peut résoudre efficacement le problème de gigue d’ordre de point et démontrer d’excellentes performances sur des ensembles de données réels. Cette recherche revêt une grande importance pour promouvoir le développement de la technologie de conduite autonome.

Principales contributions

Les contributions de cet article sont les suivantes :

1) Cet article propose un ADMap de bout en bout, capable de reconstruire une carte vectorisée de haute précision plus stable

; MPN n'augmente pas les ressources informatiques par une méthode qui permet de capturer des informations à plusieurs échelles avec plus de précision. IIA réalise efficacement l'interaction des informations entre les instances et au sein des instances, atténuant ainsi le problème du décalage de position des points d'instance. De plus, VDDL utilise des informations topologiques pour superviser le processus de reconstruction des positions d'ordre de points et modélise les différences de direction des vecteurs.

3) ADMap est capable de reconstruire des cartes vectorisées de haute précision en temps réel et atteint les meilleures performances dans les benchmarks nuScenes et Argoverse2.

Images et tableaux en papier

Résumé

ADMap est un cadre de reconstruction de carte vectoriel de haute précision efficace et efficient, qui utilise efficacement les trois modules de perception multi-échelle du cou, d'attention d'interaction d'instance et de perte de différence de direction vectorielle. de distorsion de la topologie de la carte causée par la gigue des points d'instance. Un grand nombre d'expériences montrent que la méthode proposée dans cet article permet d'obtenir les meilleures performances sur les benchmarks nuScenes et Argoverse2, et son efficacité a également été vérifiée. Nous pensons qu'ADMap peut aider la communauté à promouvoir la recherche sur les tâches de reconstruction de cartes vectorielles de haute précision afin de mieux développer des domaines tels que la conduite autonome.

Lien original : https://mp.weixin.qq.com/s/O0BoiJZwIQmeeChUZkMMng

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!