SOTA를 뛰어넘는 MapEX: 놀라운 성능 개선과 지도 없는 인식 기술

작성 전 글 및 작성자의 개인적 이해

이 글을 읽고 나면, 그림 없는 인식이 끝났다는 착각이 드시겠습니까? ? ? 새로 출시된 MapEX는 쏟아지는 기사의 본질을 흡수하여 모든 사람과 공유하는 것을 매우 기대하고 있습니다. MapEX의 핵심은 역사적으로 저장된 지도 정보를 사용하여 현재 지역 고정밀 지도의 구축을 최적화하는 것입니다. 역사적 지도는 몇 가지 간단한 지도 요소(예: 도로 경계)만 포함된 지도일 수도 있고 노이즈(예: 각 지도 요소의 편차), 5m 이동) 또는 오래된 지도일 수도 있습니다(예를 들어 지도 요소의 작은 부분만 현재 장면과 정렬될 수 있음). 분명히 이러한 역사적 지도 정보는 현재의 지역 고정밀 지도 구축에 유용하며, 이는 또한 이 글의 핵심, 즉 어떻게 활용하는가? ? ? 구체적으로 MapEX는 MapTRv2를 기반으로 구축되었으며, 이러한 역사적 지도 정보는 일련의 쿼리로 인코딩되어 원래 쿼리와 결합될 수 있으며 디코더는 추가로 예측 결과를 출력합니다. 기사는 여전히 매우 흥미롭습니다~

논문 전체 개요

센서로 생성된 온라인 고정밀 지도(HDMap)는 HDMap의 전통적인 수동 획득에 대한 저렴한 대안으로 간주되므로 HDMap을 활용한 자율주행 시스템의 비용을 절감할 수 있을 것으로 예상되며, 새로운 시스템에도 적용이 가능합니다.

본 논문에서는 최적화를 위해 기존 지도를 고려하여 온라인 HDMap 추정을 개선하는 방법을 제안합니다. 연구에서 저자는 단순 지도, 노이즈 지도, 오래된 지도를 포함하여 세 가지 합리적인 유형의 기존 지도를 식별했습니다. 또한 이 문서에서는 기존 지도를 감지하기 위한 MapEX라는 새로운 온라인 HDMap 구축 프레임워크를 소개합니다. MapEX는 지도 요소를 쿼리로 인코딩하고 기존 쿼리 기반 지도 추정 모델의 매칭 알고리즘을 개선하여 이 목표를 달성합니다.

이 기사는 마침내 nuScenes 데이터세트에서 MapEX의 상당한 개선을 보여줍니다. 예를 들어, MapEX(노이즈 맵 제공)는 MapTRv2 감지에 비해 38% 향상되었으며 현재 기술 수준보다 16% 더 좋습니다.

MapEX의 주요 기여는 다음과 같이 요약할 수 있습니다.

• 센서 데이터에서 온라인 HDMap을 추정할 때 기존 지도 정보를 고려합니다.
• 기존 지도가 불완전한 합리적인 사례에 대해 논의합니다. 또한 nuScenes 데이터세트에 대해 이러한 장면에 대한 실용적인 구현 및 코드를 제공합니다.
• 센서에서 온라인 HDMap을 추정할 때 지도 정보를 통합할 수 있는 새로운 쿼리 기반 HDMap 수집 체계인 MapEX를 소개합니다. 특히 기존 지도 정보를 기존 (EX) 쿼리와 결합하는 새로운 방법이 MapEX에 도입되었으며, 훈련 방법 중 예측을 GT에 사전 귀속시켜 모델이 이 정보를 활용하는 방법을 학습하도록 돕는 방법도 도입되었습니다.

온라인 지역 고정밀 지도 구축 작업 리뷰

여기에서는 자율주행에서의 고정밀 지도(HDMaps)에 대한 일부 내용을 간략하게 설명합니다. 먼저, 궤적 예측에 HDMap을 사용하는 방법을 살펴본 다음 이러한 지도 데이터를 얻는 방법에 대해 이야기했습니다. 마지막으로 온라인 HDMap 구축 과정을 논의합니다.

궤도 예측을 위한 HDMap: 자율 주행에는 차량이 탐색하는 세계에 대한 많은 양의 정보가 필요한 경우가 많습니다. 이 정보는 풍부한 HDMap에 포함되는 경우가 많으며 신경망을 수정하기 위한 입력으로 사용됩니다. HDMap은 궤도 예측 성능에 중요한 것으로 입증되었습니다. 특히 궤적 예측에서 일부 방법은 명시적으로 HDMap의 표현을 기반으로 하므로 HDMap에 대한 액세스가 절대적으로 필요합니다.

HDMap 획득 및 유지 관리: 기존 HDMap 획득 및 유지 관리 비용이 높습니다. 예측에 사용되는 HDMap은 지도 요소(차선 구분 기호, 도로 경계 등)를 포함하고 전체 HDMap에서 찾을 수 있는 복잡한 정보의 대부분을 제공하는 단순화된 버전이지만 여전히 매우 정확한 측정이 필요합니다. 그 결과, 많은 기업이 중화질 지도(MDMaps)에 대한 덜 엄격한 표준을 따르거나 심지어 내비게이션 지도(Google Maps, SDMaps)로 전환하고 있습니다. 결정적으로 몇 미터 정확도의 MDMap은 온라인 HDMap 생성 프로세스에 대한 귀중한 정보를 제공하는 기존 지도의 좋은 예가 될 것입니다. 우리의 지도 시나리오 2a는 이 상황의 근사치를 탐구합니다.

센서의 온라인 HDMap 구성: 따라서 온라인 HDMap 구성은 가벼운 이미지/이미지 없는 인식의 핵심이 되었습니다. 일부 작업은 가상 지도 요소(예: 차선 중앙선)를 예측하는 데 중점을 두는 반면, 일부 작업은 차선 구분선, 도로 경계, 횡단보도 등 시각적으로 보다 식별 가능한 지도 요소에 중점을 둡니다. 아마도 시각적 요소가 센서로 감지하기 쉽기 때문에 후자의 접근 방식이 지난 1년 동안 급속한 발전을 이루었습니다. 흥미롭게도 최신 방법인 Map-TRv2는 실제 차선 중앙선을 감지하기 위한 보조 설정을 제공합니다. 이는 다수의 추가 지도 요소(신호등 등)를 포함하여 보다 복잡한 방식으로의 수렴을 보여줍니다.

이 문서의 작업은 지도에서 변경 사항(예: 교차로)을 감지하는 것을 목표로 하는 일반적으로 연구되는 변경 감지 문제와 유사합니다. MapEX의 목표는 온라인 HDMap 구성의 현재 문제를 해결하기 위해 기존(아마도 매우 다른) 지도의 도움을 받아 정확한 온라인 HDMap을 생성하는 것입니다. 따라서 우리는 지도의 작은 오류를 수정했을 뿐만 아니라 모든 변경 사항(예: 왜곡된 선, 매우 노이즈가 많은 요소)을 수용할 수 있는 보다 표현력이 뛰어난 프레임워크를 제안했습니다.

어떤 기존 지도를 사용할 수 있나요?

우리의 핵심 제안은 기존 지도를 활용하면 온라인 HDMaps 구축이 쉬워진다는 것입니다. 우리는 불완전한 지도가 발생할 수 있는 합법적인 상황이 많이 있다고 믿습니다.

온라인 HDMap 표현

우리는 센서에서 HDMap을 온라인으로 생성하기 위한 표준 형식을 채택합니다. 우리는 HDMap이 폴리라인, 도로 경계, 차선 분리 및 횡단보도의 3가지 유형으로 구성되어 있다고 믿습니다. 이전 녹색과 라임은 각각 그림 2a에 표시된 파란색과 동일합니다.

실제 HDMap은 훨씬 더 복잡하고 더 정교한 표현이 제안되었지만 이 작업의 목적은 기존 지도 정보를 해석하는 방법을 조사하는 것입니다. 따라서 우리는 가장 많이 연구된 패러다임을 사용합니다. 이 논문의 작업은 더 많은 지도 요소, 더 미세한 폴리라인 또는 래스터화된 대상을 예측하는 데 직접적으로 적용 가능합니다.

MapModEX: 불완전한 지도 시뮬레이션

표준 지도를 획득하는 데 비용과 시간이 많이 걸리기 때문에 기존 HDMap에서 부정확한 지도를 종합적으로 생성했습니다.

이를 위해 우리는 독립적인 지도 수정 라이브러리인 MapModEX를 개발했습니다. nuScenes 지도 파일과 샘플 기록을 사용하고 각 샘플에 대한 출력을 가져와 자아 차량 주변의 특정 패치에 있는 보도, 경계 및 횡단보도의 폴리라인 좌표를 출력합니다. 중요한 점은 MapModEX가 이러한 폴리라인을 수정하여 지도 요소 삭제, 추가, 횡단보도 이동, 점 좌표에 노이즈 추가, 지도 이동, 지도 회전, 지도 왜곡 등 다양한 수정 사항을 반영하는 기능을 제공한다는 것입니다. MapModEX는 출시 시 센서의 온라인 HDMap 획득에 대한 기존 지도의 추가 재검색을 용이하게 하기 위해 제공될 예정입니다.

아래 설명과 같이 MapModEX 패키지를 사용하여 세 가지 어려운 시나리오를 구현하여 각 샘플에 대해 시나리오 2와 3의 10가지 변형을 생성했습니다(시나리오 1에서는 하나의 변형만 허용). 우리는 훈련 중 비용을 줄이고 제한된 수의 지도 변형만 사용할 수 있는 실제 상황을 반영하기 위해 고정된 수정 지도 세트를 사용하기로 결정했습니다.

시나리오 1: 테두리만 사용 가능

첫 번째 시나리오는 그림 2b와 같이 대략적인 HDMap(분할선 및 횡단보도 없음)만 사용할 수 있다는 것입니다. 도로 경계는 종종 보도 가장자리와 같은 3D 물리적 랜드마크와 연관되는 반면, 보도와 횡단보도는 놓치기 쉬운 평면 마커로 표시되는 경우가 많습니다. 또한, 횡단보도와 차선 분리대는 건설 작업이나 도로 이탈로 인해 폐기되거나 타이어 자국으로 부분적으로 가려지는 경우가 많습니다.

그래서 테두리만 있는 HDMap을 사용하는 것이 합리적입니다. 이것의 장점은 도로 제약사항에 대한 라벨링만 필요하므로 라벨링 비용을 줄일 수 있다는 것입니다. 또한 도로 경계만 찾으려면 덜 정확한 장비와 업데이트가 필요할 수 있습니다. 구현 실용적인 관점에서 시나리오 1의 구현은 간단합니다. 사용 가능한 HDMap에서 구분선과 횡단보도를 제거합니다.

시나리오 2: 시끄러운 지도

두 번째로 가능한 시나리오는 그림 2c에 표시된 것처럼 매우 시끄러운 지도만 있다는 것입니다. 기존 HDMap의 한 가지 약점은 높은 정확도(몇 센티미터 정도)가 필요하다는 점이며, 이는 획득 및 유지 관리에 큰 부담을 줍니다[11]. 실제로 HDMaps와 새로운 MDMaps 표준의 주요 차이점은 정확도가 낮다는 것입니다(몇 센티미터 대 몇 미터).

따라서 저렴한 획득 프로세스로 인해 지도의 정확도가 떨어지거나 MDMaps 표준을 대신 사용하여 지도의 정확도가 떨어지는 상황을 시뮬레이션하려면 시끄러운 HDMap을 사용하는 것이 좋습니다. 더욱 흥미로운 점은 이러한 덜 정확한 지도가 센서 데이터에서 자동으로 얻어질 수 있다는 것입니다. MapTRv2와 같은 방법은 매우 인상적인 성능을 달성했지만 아직 완전히 정확하지는 않습니다. 매우 유연한 검색 임계값을 사용하더라도 예측 정확도는 80%보다 훨씬 낮습니다.

Implementation: 우리는 정확성이 부족할 수 있는 다양한 조건을 반영하기 위해 이러한 시끄러운 HDMap의 두 가지 가능한 구현을 제안합니다. 첫 번째 시나리오 2a에서는 오프셋 노이즈 설정을 제안합니다. 여기서 각 맵 요소 위치 지정에 대해 표준 편차가 1미터인 가우스 분포의 노이즈를 추가합니다. 이는 모든 지도 요소(분할선, 경계선, 횡단보도)에 균일한 변환을 적용하는 효과가 있습니다. 이러한 설정은 인간 주석자가 시끄러운 데이터에서 부정확한 주석을 신속하게 제공하는 상황에 대한 좋은 근사치를 제공해야 합니다. 우리는 몇 미터까지 정확한 MDMaps 표준을 반영하기 위해 1미터의 표준 편차를 선택했습니다.

그런 다음 매우 까다로운 포인트별 노이즈 시나리오 2b에서 방법을 테스트합니다. 각 실측 포인트에 대해 맵 요소는 20개의 포인트로 구성됩니다. 5미터 가우스 분포에서 샘플 노이즈의 표준 편차로 시작하고 점 좌표에 추가하십시오. 이는 지도가 매우 부정확한 위치를 자동으로 획득하거나 제공하는 상황에 대한 최악의 근사치를 제공합니다.

시나리오 3: 지도가 크게 변경되었습니다.

우리가 고려한 마지막 시나리오는 과거에 정확했던 오래된 지도에 액세스할 수 있는 경우입니다(그림 2d 참조). 횡단보도와 같은 페인트 표시가 때때로 바뀌는 것은 매우 흔한 일입니다. 또한, 시는 새로운 명소로 인해 발생하는 교통량 증가를 수용하기 위해 문제가 있는 일부 교차로를 대대적으로 개조하거나 지역을 개조했습니다.

그래서 HDMap으로 작업하는 것은 재미있습니다. HDMap은 그 자체로는 유효하지만 실제 HDMap과 크게 동일하지는 않습니다. 비용을 절감하기 위해 관리자가 HDMap을 몇 년에 한 번씩만 업데이트했다면 이러한 지도는 정기적으로 표시되어야 했습니다. 이 경우 기존 지도는 여전히 세계에 대한 일부 정보를 제공하지만 일시적이거나 최근 변경 사항을 반영하지 않을 수 있습니다.

Implementation: 시나리오 3a에서 기존 HDMap을 강력하게 변경하여 이를 근사화합니다. 지도에서 횡단보도와 차선 구분선의 50%를 제거하고 일부 횡단보도(나머지 횡단보도의 절반)를 추가한 다음 마지막으로 지도에 작은 워프를 적용했습니다.

그러나 세계 지도의 상당 부분은 시간이 지나도 변경되지 않은 상태로 유지된다는 점에 유의하는 것이 중요합니다. 우리는 교란된 버전 대신 실제 HDMap을 고려하기 위해 무작위 선택(확률 p = 0.5)의 영향을 연구하는 시나리오 3b에서 이를 계산합니다.

MapEX: 기존 지도 활용

이를 위해 온라인 HDMap 구축을 위한 새로운 프레임워크인 MapEX(그림 3 참조)를 제안합니다. 표준 쿼리 기반 온라인 HDMap 구성 패러다임을 따르고 지도 쿼리 인코딩 모듈과 예측 및 GT 사전 속성 체계라는 두 가지 핵심 모듈을 통해 기존 지도 정보를 처리합니다. 이 문서에서는 MapTRv2를 기반으로 기준선을 구축합니다.

개요

쿼리 기반 코어는 그림 3에서 회색 요소로 표시됩니다. 먼저 센서 입력(카메라 또는 라이더)을 가져와 센서 기능으로 BEV(조감도) 표현으로 인코딩합니다. DETR과 유사한 감지 체계를 사용하여 지도 요소(최대 N개)를 감지하여 지도 자체를 얻습니다. 이는 N×L 학습된 쿼리 토큰(N은 감지된 요소의 최대 수, L은 요소에 대해 예측된 포인트 수)을 Cross-Attention 피드 센서와 동일한 BEV 기능을 사용하는 Transformer 디코더에 전달하여 달성됩니다. 쿼리 토큰에 대한 정보입니다. 그런 다음 디코딩된 쿼리는 클래스 예측(추가 배경 클래스 포함)과 함께 선형 레이어를 통해 맵 요소 좌표로 변환됩니다. 따라서 L개의 쿼리 그룹은 맵 요소의 L개 지점(이 문서에서는 L=20)을 나타냅니다. 학습은 헝가리 알고리즘의 일부 변형을 사용하여 예측 지도 요소와 GT 지도 요소를 일치시켜 수행됩니다. 일단 일치되면 예측된 지도 요소가 회귀(좌표의 경우) 및 분류(요소 범주의 경우) 손실을 사용하여 응답하는 GT와 일치하도록 모델이 최적화됩니다.

그러나 이 프레임워크는 기존 지도를 해석할 수 없으므로 두 가지 핵심 수준에서 새 모듈을 도입해야 합니다. 쿼리 수준에서는 맵 요소를 학습 불가능한 EX 쿼리로 인코딩합니다. 일치 수준에서는 쿼리 속성이 나타내는 GT 맵 요소 앞에 쿼리 속성을 추가합니다.

전체 MapEX 프레임워크(그림 3 참조)는 기존 지도 요소를 학습 불가능한 지도 쿼리로 변환하고 학습 가능한 쿼리를 추가하여 특정 수의 쿼리 N×L에 도달합니다. 이 완전한 쿼리 세트는 Transformer 디코더로 전달되고 평소와 같이 선형 레이어를 통해 예측으로 변환됩니다. 훈련 시 기여 분석 모델은 일부 예측을 GT에 사전 일치시키고 나머지 예측은 일반적으로 헝가리어 일치를 사용하여 일치시킵니다. 테스트 시 디코딩된 비백그라운드 쿼리는 HDMap 표현을 생성합니다.

지도를 EX 쿼리로 변환

현재 온라인 HDMap 구축 프레임워크에는 기존 지도 정보를 해석하는 메커니즘이 없습니다. 따라서 기존 지도를 표준 쿼리 기반 온라인 HDMap 구축 프레임워크가 이해할 수 있는 형태로 변환할 수 있는 새로운 방식을 설계해야 합니다. 우리는 그림 4와 같이 MapEX를 사용하여 기존 지도 요소를 디코더용 EX 쿼리로 인코딩하는 간단한 방법을 제안합니다.

주어진 지도 요소에 대해 L개의 등거리 점을 추출합니다. 여기서 L은 지도 요소에 대해 예측하려는 점의 수입니다. 각 지점에 대해 처음 2차원의 지도 좌표(x,y)와 다음 3차원의 지도 요소 클래스(구분선, 교차점 또는 경계)를 인코딩하는 EX 쿼리를 만듭니다. 일회성 코딩을 수행합니다. EX 쿼리의 나머지 부분은 디코더 아키텍처에서 사용되는 표준 쿼리 크기를 달성하기 위해 0으로 채워집니다.

이 쿼리 디자인은 매우 간단하지만 관심 있는 정보(점 좌표 및 요소 클래스)를 직접 인코딩하고 학습된 쿼리와의 충돌을 최소화하는(리치 0 패딩 덕분에) 주요 이점을 제공합니다.

L 쿼리 세트(기존 맵의 맵 요소용)가 있으면 표준 학습 가능 쿼리 풀에서 L 범주형 학습 가능 쿼리 세트를 검색( )할 수 있습니다. 그런 다음 이 기사의 방법에 따라 생성된 N×L 쿼리가 디코더에 공급됩니다. MapTR에서 N×L 쿼리는 독립적인 쿼리로 처리되는 반면 MapTRv2는 보다 효과적인 분리된 주의 방식을 사용하여 동일한 맵 요소를 결합합니다. 검색어가 함께 그룹화됩니다. 쿼리에서 지도 요소를 예측한 후 테스트 시간에 직접 사용하거나 훈련된 GT와 일치시킬 수 있습니다.

지도 요소 속성

EX 쿼리는 기존 지도 정보를 해석하는 방법을 도입하지만, 모델이 이러한 쿼리를 올바르게 사용하여 해당 요소를 추정하는지 보장하는 것은 없습니다. 실제로 단독으로 사용하면 네트워크는 완전히 정확한 EX 쿼리조차 인식하지 못합니다. 따라서 그림 3과 같이 훈련에서 전통적인 헝가리어 매칭을 사용하기 전에 예측 및 GT 요소의 사전 속성을 도입합니다.

간단히 말해서, 수정된 지도의 각 지도 요소와 해당 GT 지도 요소를 추적합니다. 지도 요소가 수정, 오프셋 또는 왜곡되지 않은 경우 실제 지도의 원본 지도 요소와 비교할 수 있습니다. 연락하세요. 모델이 유용한 정보만 사용하는 방법을 학습할 수 있도록 수정된 지도 요소와 실제 지도 요소 사이의 평균 점별 변위 점수로만 일치를 유지합니다.

주어진 GT와 사전 예측 사이 지도 요소 대응, 일치할 요소 풀에서 사전 속성이 지정된 지도 요소를 제거할 수 있습니다. 그런 다음 나머지 지도 요소(예측 및 GT)는 관례대로 헝가리 알고리즘의 일부 변형을 사용하여 일치됩니다. 따라서 헝가리어 일치 단계에서는 존재하지 않는 추가된 지도 요소에 해당하는 EX 쿼리를 식별하고 (삭제 또는 강한 섭동으로 인해) 실제 지도에 존재하지 않는 일부 실제 지도 요소에 맞는 표준 학습 쿼리를 찾으면 됩니다. .

가장 효율적인 변형이라도 삼차 복잡성을 가지기 때문에 헝가리 알고리즘이 처리해야 하는 요소 수를 줄이는 것이 중요합니다(()[8]). 이는 예측된 지도가 작고(30m × 60m) 세 가지 유형의 지도 요소만 예측하기 때문에 최신 온라인 HDMap 획득 방법의 주요 약점은 아닙니다. 그러나 온라인 지도 생성이 더욱 발전함에 따라 예측 지도가 더 크고 완전해짐에 따라 점점 더 많은 수의 지도 요소를 수용해야 합니다.

실험 결과

Setup: 온라인 HDMap 추정을 위한 표준 평가 데이터 세트인 nuScenes 데이터 세트에서 MapEX 프레임워크를 평가했습니다. 우리는 MapTRv2 프레임워크와 공식 코드 베이스를 기반으로 합니다. 일반적인 관행에 따라 우리는 서로 다른 검색 임계값(0.5m, 1.0m 및 1.5m 모따기 거리)에서 세 가지 지도 요소 유형(분할선, 경계선, 교차점)에 대한 평균 정확도와 세 가지 범주에 대한 mAP를 보고합니다.

각 실험마다 고정된 무작위 시드 3개를 사용하여 3번의 실험을 수행했습니다. 중요한 것은 주어진 시드와 지도 장면의 조합에 대해 검증 중에 제공된 기존 지도 데이터가 고정되어 비교를 용이하게 한다는 것입니다. 일관성을 위해 표준 편차가 이 정밀도를 초과하는 경우에도 가장 가까운 소수점까지 평균 ± 표준 편차로 결과를 보고합니다.

MapEX의 성능

차선 구분선이나 횡단보도가 없는 지도(S1), 노이즈가 있는 지도(오프셋 지도 요소는 S2a, 오프셋 지도 요소는 S2b)와 MapEX의 성능을 표 2에서 비교하여 관련 방법을 제공합니다. 포인트별 노이즈가 심함) 및 크게 변화하는 맵(S3a에는 이러한 맵만 포함되고 S3b에는 혼합된 실제 맵이 포함됨). 우리는 MapEX의 성능을 유사한 설정(카메라 입력, CNN 백본)에 대한 기존 온라인 HDMap 평가 및 현재 최첨단(훨씬 더 많은 리소스를 사용함)과 철저하게 비교합니다.

첫째, 표 2에서 모든 유형의 기존 지도 정보가 고려된 시나리오에 관계없이 MapEX가 비교 가능한 설정에서 기존 문헌보다 훨씬 뛰어난 성능을 발휘한다는 것이 분명합니다. 한 가지 경우를 제외하고 기존 지도 정보를 사용하면 MapEX가 현재의 최첨단 MapTRv2 모델보다 더 나은 성능을 발휘할 수 있었습니다. 이 모델은 두 배의 기간에 걸쳐 4번의 훈련에서 광범위한 깊이 추정 데이터 세트에 사전 훈련된 대규모 ViT 백본을 사용합니다. . 부정확한 지도 요소 위치 지정을 사용하는 다소 보수적인 S2a 시나리오에서도 11.4mAP 점수가 향상됩니다(예: 16%).

모든 시나리오에 걸쳐 4가지 지표 모두에서 기본 MapTRv2 모델에 비해 일관된 개선이 관찰되었습니다. 당연히 시나리오 3b(정확한 기존 지도를 절반만 사용)는 큰 폭으로 최고의 전체 성능을 보여주었으며, 따라서 완전히 정확한 기존 지도를 식별하고 활용할 수 있는 강력한 능력을 보여주었습니다. 시나리오 2a(오프셋 맵 요소 포함)와 시나리오 3a("오래된" 맵 요소 포함)는 모두 매우 강력한 전반적인 성능을 제공하며 세 가지 유형의 맵 요소 모두에 대해 좋은 성능을 제공합니다. 시나리오 1에는 도로 경계만 사용할 수 있으며 거대함을 보여줍니다. 표준 편차가 5미터인 가우스 노이즈가 각 지도 요소 지점에 적용되는 매우 까다로운 시나리오 2b에서도 매우 강력한 경계 검색으로 인해 mAP가 향상됩니다. 또한 기본 모델에 비해 상당한 이점이 있습니다. 구분 기호 및 경계에 대한 검색 성능이 특히 우수합니다.

MapEX에 적용된 개선 사항

이제는 기존 지도 정보가 MapEX에 제공하는 개선 사항에 더욱 구체적으로 초점을 맞추고 있습니다. 추가 정보: 전 세계적으로 학습된 기능 맵을 사용하는 Neural Map Prior 및 지역화된 SDMap을 사용하는 P-MapNet MapModEX는 이러한 방법보다 더 강력한 기본 모델을 사용합니다. 불공정한 이점을 피하기 위해 절대 점수가 표 3에 제공됩니다.

표 3에서 모든 유형의 기존 지도와 함께 MapEX를 사용하면 다른 추가 정보 소스(포함)보다 전체 mAP 이득이 더 크다는 것을 알 수 있습니다. 더 복잡한 P-MapNet 설정) 이 모델을 차선에서 관찰합니다. 구분선과 도로 경계 모두에 대한 감지 성능이 크게 향상되었습니다. 간단한 예는 모델이 지도 정보를 성공적으로 유지하는 시나리오 1입니다. 하지만 이전 정보가 없는 경우에만 횡단보도는 두 지도 요소 모두에서 이전 방법에 비해 비슷한 개선을 제공합니다. 시나리오 1과 2b(각 지도 지점에 극도로 파괴적인 노이즈를 적용함)처럼 기존 지도에서 더 정확한 정보가 필요한 것 같습니다. )만 달성할 수 있습니다. 시나리오 2a(요소 변경됨) 및 시나리오 3a(지도 "오래됨")는 아마도 이 두 시나리오에 더 정확한 횡단보도 정보가 포함되어 있기 때문일 것입니다.

절제 실험

MapEX 입력의 기여 표 4는 다양한 유형의 입력(기존 지도, 지도 요소 대응 및 센서 입력)이 MapEX 성능에 어떤 영향을 미치는지 보여줍니다.

EX 쿼리 인코딩 정보.

표 5는 학습된 EX 쿼리가 단순한 학습 불가능한 EX 쿼리보다 훨씬 나쁜 성능을 보여줍니다. 흥미롭게도 학습 가능한 EX 쿼리는 추가된 복잡성을 정당화하지 않는 매우 작은 개선을 가져올 수 있습니다.

On Ground Truth Attribution

기존 지도 정보를 최대한 활용하려면 지도 요소의 속성을 미리 결정하는 것이 중요하기 때문에 MapEX에서처럼 요소를 필터링하는 대신 해당 지도 요소에 대한 속성을 미리 결정하는 것이 쉬울 수 있습니다. 기존 맵 요소가 너무 다르기 때문에 무분별하게 어트리뷰션을 수행하는 것보다 해당 항목을 버리는 것이 더 나은 성능을 발휘합니다. 본질적으로 이는 기존 지도 요소가 실제와 너무 다를 때 MapEX가 EX 쿼리보다 학습 가능한 쿼리를 사용하는 것이 더 낫다는 것을 의미합니다.

토론

이 기사에서는 기존 지도를 활용하여 온라인 HDMap 구축을 개선할 것을 제안합니다. 이를 조사하기 위해 저자는 기존(단순, 잡음 또는 오래된) 지도를 사용할 수 있는 세 가지 현실적인 시나리오를 설명하고 이러한 지도를 활용하기 위한 새로운 MapEX 프레임워크를 도입합니다. 현재 프레임워크에는 기존 지도를 고려하는 메커니즘이 없기 때문에 우리는 두 개의 새로운 모듈을 개발했습니다. 하나는 지도 요소를 EX 쿼리로 인코딩하는 것이고 다른 하나는 모델이 이러한 쿼리를 활용하는지 확인하는 것입니다.

실험 결과에 따르면 기존 지도는 온라인 HDMap 구축을 위한 주요 정보를 나타내며 MapEX는 모든 경우에 비교 가능한 방법을 크게 향상시키는 것으로 나타났습니다. 실제로 mAP(무작위로 움직이는 지도 요소가 있는 시나리오 2a)의 측면에서 기본 MapTRv2 모델에 비해 38%, 현재 최첨단 모델에 비해 16% 향상되었습니다.

이 작업이 기존 정보를 해석하는 새로운 온라인 HDMap 구축 방법으로 이어지기를 바랍니다. 좋든 나쁘든 기존 지도는 널리 사용 가능합니다. 이를 무시하는 것은 신뢰할 수 있는 온라인 HDMap 빌드를 검색하는 데 핵심 도구를 포기하는 것입니다.

원본 링크: https://mp.weixin.qq.com/s/FMosLZ2VJVRyeCOzKl-GLw

위 내용은 SOTA를 뛰어넘는 MapEX: 놀라운 성능 개선과 지도 없는 인식 기술의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!