0. はじめに
自動運転における高精度地図は自車位置測位に非常に重要ですが、一般に高精度地図の完成には多大な時間がかかります。深層学習の発展に伴い、深層学習を使用してマップをベクトル化することは非常に便利な操作です。ベクトル化された高精度 (HD) マップは自動運転にとって不可欠であり、高度な認識と計画のための詳細かつ正確な環境情報を提供します。ただし、現在のマップ ベクトル化方法にはバイアスが発生することが多く、既存のマップ ベクトル化評価メトリクスにはこれらのバイアスを検出するのに十分な感度がありません。
これらの制限を解決するために、「自動運転のためのオンライン マップ ベクトル化: ラスタライゼーションの視点」では、次のアイデアを統合することを提案しています。ラスター化 マップはベクトル化されています。具体的には、このホワイトペーパーでは、優れた感度を備え、現実世界の自動運転シナリオにより適した、新しいラスタライゼーションベースの評価メトリクスを紹介します。さらに、本論文では、ベクトル化された出力に微分可能なラスタライゼーションを適用し、ラスタライズされた高精度地図を正確に実行する新しいフレームワークである MapVR (Rasterization-based Map Vectorization) と、ジオメトリを意識した教師あり学習を提案します。
関連コードはGithubでオープンソース化されています。この種のオープンソースの記事はほとんどありません。この分野に興味がある場合は、この記事をよく読んでください
図 1. (a) マップのラスタライゼーションは、Bird's Eye View (BEV) のセマンティック セグメンテーションを介した出力として高解像度のセマンティック マップを生成します。 (b) 地図のベクトル化は、実際の自動運転システムにより適した、コンパクトでインスタンスレベルのベクトル化された地図要素を直接予測します。 © MapVR は微分可能なラスタライゼーションを使用して、ベクトル化された HD マップ表現とラスタライズされた HD マップ表現を接続し、信頼性の高い自動運転のためのより正確で正確なベクトル化された HD マップを提供します。
1. 主な貢献
VectorMapNet [30] と MapTR [22] はどちらもスパース ポイント セット表現を使用します。各マップ要素は等間隔のサンプル ポイントの固定長ベクトルとしてパラメータ化され、適用されます。回帰予測を監視するための L1 損失。このアプローチはシンプルで直感的ですが、いくつかの理由から最適ではないことが多いことを経験的に示しています。まず、図 2 に示すように、まばらな点セット表現では、特に急な曲がり角やマップ構造の複雑な詳細を扱う場合、精度が不十分なことが多く、その結果、重大なパラメータ化エラーが発生します。< a i=3> a >。第 2 に、等距離の点を学習の回帰ターゲットとして使用すると、中間点には明確な視覚的手がかりがないことが多いため、モデルの監視が不明確になります。第三に、回帰監視のために L1 損失のみに依存すると、モデルはきめの細かい幾何学的変化を無視し、過度に滑らかな予測結果を生成し、 局所的な偏差の影響を受けにくくなります。同様に、現在の評価指標は点セット間の面取り距離に依存しており、微妙なバイアスや幾何学的詳細が無視されることがよくあります。自動運転においては精度が死活問題であり、既存の地図のベクトル化手法や評価指標はまだ不十分です。
図 2. 疎なアイソメトリック点セットのパラメータ化によって引き起こされる不正確なマップ要素
これらの制限に対処するために、私たちはラスタライゼーションの考え方を地図のベクトル化に再導入し、ベクトル化された出力の利点を維持しながら高精度の地図モデリングの利点を復元しました。私たちは、ラスター化によって地図のベクトル化に補完的な利点がもたらされると考えています。この記事の貢献は次のように要約されます。
1) この記事では、小さな偏差に対する感度が向上し、現実世界の運転シナリオにおける地図ベクトル化パフォーマンスのより正確かつ合理的な評価を可能にする、新しいラスタライゼーションベースの地図ベクトル化評価指標を提案します。
2) 本稿では、微分可能なラスタライゼーションと既存の地図ベクトル化手法をシームレスに組み合わせた新しいフレームワークである MapVR (ラスタライゼーションベースの地図ベクトル化) を提案します。 MapVR はマップのベクトル化の精度を大幅に向上させ、さまざまなマップ要素に対して強力なスケーラビリティを示し、推論プロセス中に追加の計算オーバーヘッドを発生させません。
3) この記事で提案された MapVR フレームワークと評価指標は、自動運転アプリケーションの将来の研究と改善への道を開き、ラスター化と地図ベクトル化の間の補完的な利点を実証します。
2. ラスタライズによる地図ベクトル化評価指標
2.1 面取り距離による評価指標の見直し
マップのベクトル化には、オブジェクト検出 [3、8、25、57 ～ 61、65] と同様に、インスタンス レベルの評価が必要です。したがって、現在の地図ベクトル化方法 [7、18、22、30] では、平均精度 (AP) を採用して地図構築の精度を評価し、面取り距離を使用して予測された地図要素間の関係と実際の地図要素が一致するかどうかを判断します。 a> D C a m f e r ( ⋅ , ⋅ ) D_{面取り}(・, ・) 。具体的には、 面取り距離DCハムfえー (⋅,⋅) は、2 つの順序付けされていない点セット間の相違度の尺度であり、一方のセットの各点からもう一方のセットの最も近い点までの平均距離を定量化します。次のように表現できます:
其中 P P P和 Q Q Q は、予測されたマップ要素と実際のマップ要素の点セットをそれぞれ表します。 ∣ P ∣ |P| ∣P∣和 ∣ Q ∣ |Q | ∣Q∣表示点集 P P P和 Q Q Q定義 ∣ p − q ∣ 2 |p − q|^2 ∣p−q∣2表示点 p p p和 q q q 間のユークリッド距離。
この測定方法はシンプルで偏りのない評価結果を提供できますが、次の制限があるため、自動運転などの高需要シナリオでの使用には不十分です。1) ではありません縮尺不変性があります。小さなマップ要素 (停止線など) の場合、面取り距離の誤差は常に小さすぎて意味のある評価を提供できません。 2) 面取り距離は、順序付けされていない点セットの距離のみに依存し、マップ要素の形状と幾何学的詳細を完全に無視するため、多くの場合に不合理な結果が生じます。実際のシナリオの結果を図 4 に示します。これらの欠点を解決するには、自動運転のための地図ベクトル化の厳しい要件を満たす、より強力で正確な評価指標の開発が必要です。
図 4. いくつかの実際のケースにおける、面取り距離に基づく測定方法と私たちが提案するラスタライゼーションに基づく測定方法の評価品質の比較。当社の測定方法は、より合理的な評価結果を得ることができ、自動運転用途に適しています。
2.2 ラスタライズに基づく評価指標の提案
上記の制限に対処するために、小さな偏差に対する感度が高く、実際の運転シナリオにより適用可能なラスタライゼーション ベースの評価指標を導入します。 a> 。依然として AP を尺度として使用していますが、ラスタライゼーションを使用して、予測されたマップ要素とグラウンド トゥルース マップ要素の間の一致を正確に判断します。図 3 に示すように、車線や縁石などの線形の地図要素を使用してメトリクスを示します。まず、グラウンド トゥルースと予測された要素の両方が HD マップ内のポリラインにラスタライズされます。今回の設定では、Y軸±30m、X軸±15mのセンシング範囲を考慮して、HDマップの空間サイズを480×240に設定し、各ピクセルが0.125mを表し、高解像度を満たすようにしました。自動運転の精度が必要。細長いジオメトリによる予測の不正確さをより適切に調整するために、ラスター化されたポリラインを両側で 2 ピクセルずつ膨張させ、適切な許容誤差を導入します。最後に、グラウンド トゥルース要素と予測されたマップ要素が一致するかどうかを判断するために、それぞれのラスター化された HD 表現の Intersection over Union (IoU) を計算します。 MS-COCO のメトリクス [25] と同様に、複数の IoU しきい値の下で AP を計算します。線形要素の場合、しきい値を 0.25 : 0.50 : 0.05 0.25:0.50:0.05 に設定します。0.25:0.50:0.05。
HD マップには、横断歩道、交差点、駐車場など、線以外の要素が含まれることが多いことに注意してください。これらの要素はポリゴンに抽象化できます。多角形のマップ要素を適切に評価できるようにするために、線形ラスタライゼーションの代わりに特別に設計された多角形ラスタライゼーションを使用し、 0.50 : 0.75 : 0.05 0.50:0.75: 0.05 を実行しました。0.50:0.75:0.05上计算AP。
図 3. グラウンド トゥルース データと予測されたベクトル化されたマップ要素の間の一致を判断するためのラスター化ベースのアプローチを示しています。