InstaGraM：面向矢量化高精地图学习的实例级图建模
计算机视觉与模式识别
2024-12-25 v3
摘要
对于可扩展自动驾驶，独立于GPS的鲁棒基于地图的定位系统是基础。为实现此类基于地图的定位，在线高精（HD）地图构建在姿态精确估计中发挥重要作用。尽管近期在线HD地图构建进展主要因其有效性而研究矢量化表示，但它们受限于计算成本与固定参数化模型，制约了可扩展性。为缓解这些局限，我们提出一种利用图建模的新型HD地图学习框架。该框架旨在学习多样几何形状构建，从而增强HD地图构建的可扩展性。我们的方法通过将地图元素分解为顶点与边表示为实例级图，以促进准确高效的端到端矢量化HD地图学习。此外，我们引入一种使用图神经网络（GNN）的关联策略，在保持可扩展性的同时高效处理各种地图元素的复杂几何。在公开开放数据集上的综合实验表明，我们提出的网络以1.6 mAP优于SOTA模型。我们进一步展示了相比SOTA方法的优越可扩展性，在远距离配置下取得4.8 mAP提升。我们的代码发布于 https://github.com/juyebshin/InstaGraM。
引用
@article{arxiv.2301.04470,
title = {InstaGraM: Instance-level Graph Modeling for Vectorized HD Map Learning},
author = {Juyeb Shin and Hyeonjun Jeong and Francois Rameau and Dongsuk Kum},
journal= {arXiv preprint arXiv:2301.04470},
year = {2024}
}
备注
Code available at https://github.com/juyebshin/InstaGraM