ScalableMap:用於線上遠距離向量化高精地圖建構的可擴展地圖學習
可擴展地圖:用於在線長距離向量化高清地圖構建的可擴展地圖學習
請點擊以下鏈接閱讀論文:https://arxiv.org/pdf/2310.13378.pdf
程式碼連結:https://github.com/jingy1yu/ScalableMap
作者單位為武漢大學
#論文想法:
本文提出了一種新穎的端到端流程,用於使用車載攝影機感測器建立線上遠距離向量化高精度(HD)地圖。高精度地圖的向量化表示使用折線和多邊形來表示地圖要素,這些要素被下游任務廣泛使用。然而,先前參考動態目標偵測設計的方案忽略了線性地圖要素內部的結構約束,導致遠距離場景中的效能下降。本文利用地圖要素的屬性來提升地圖建構的效能。本文在線性結構的指導下提取更準確的鳥瞰圖(BEV)特徵,然後提出一種分層稀疏圖表示,以進一步利用向量化圖要素的可擴展性,並基於該表示設計漸進式解碼機制和監督策略。本文的方法ScalableMap在nuScenes資料集上展示了卓越的性能,尤其是在遠距離場景中,相比之前最先進的模型提高了6.5的mAP,同時實現了18.3的FPS主要貢獻:
(i) 本文提出了ScalableMap,第一個端對端遠距離向量化地圖建構pipeline 。本文利用映射元素的結構特性來提取更準確的 BEV 特徵,提出基於可擴展向量化元素的 HSMR,並相應地設計漸進式解碼器和監督策略。所有這些都帶來了卓越的遠距離地圖感知。 透過大量實驗評估,本研究在 nuScenes 資料集 [17] 上測試了 ScalableMap 的效能。研究方法取得了遠距離高精地圖學習方面的最先進結果,比現有的多模態方法提高了6.5個mAP,同時達到了18.3幀每秒的速度網絡設計:
本文的目標是利用向量化地圖元素的結構特性來解決在較長距離內準確偵測地圖元素的挑戰。首先,本文分別透過兩個分支提取位置感知的 BEV 特徵和實例感知的 BEV 特徵,並在線性結構的指導下融合它們,得到混合 BEV 特徵。接下來,本文提出了一種分層稀疏地圖表示(HSMR),以稀疏但準確的方式抽像地圖元素。將此表示法與DETR [16] 提出的級聯解碼層集成,本文設計了一種漸進解碼器,透過利用向量化映射元素的可擴展性和漸進監督策略來增強結構化資訊的約束,以提高推理的準確性。本文的方案 ScalableMap 動態增加地圖的採樣密度以獲得各種比例的推理結果,使本文能夠更快地獲得更準確的地圖資訊。實驗結果:
需要重寫的內容是:Rewrite the content without changing the original meaning. The language to rewrite into is Chinese. 不需要出現原句
以上是ScalableMap:用於線上遠距離向量化高精地圖建構的可擴展地圖學習的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

熱門話題

iPhone上的預設地圖是Apple專有的地理位置供應商「地圖」。儘管地圖越來越好,但它在美國以外的地區運作不佳。與谷歌地圖相比,它沒有什麼可提供的。在本文中,我們討論了使用Google地圖成為iPhone上的預設地圖的可行性步驟。如何在iPhone中使Google地圖成為預設地圖將Google地圖設定為手機上的預設地圖應用程式比您想像的要容易。請依照以下步驟操作–先決條件步驟–您必須在手機上安裝Gmail。步驟1–開啟AppStore。步驟2–搜尋“Gmail”。步驟3–點選Gmail應用程式旁

寫在前面&筆者的個人理解三維Gaussiansplatting(3DGS)是近年來在顯式輻射場和電腦圖形學領域出現的一種變革性技術。這種創新方法的特點是使用了數百萬個3D高斯,這與神經輻射場(NeRF)方法有很大的不同,後者主要使用隱式的基於座標的模型將空間座標映射到像素值。 3DGS憑藉其明確的場景表示和可微分的渲染演算法,不僅保證了即時渲染能力,而且引入了前所未有的控制和場景編輯水平。這將3DGS定位為下一代3D重建和表示的潛在遊戲規則改變者。為此我們首次系統性地概述了3DGS領域的最新發展與關

昨天面試被問到了是否做過長尾相關的問題,所以就想著簡單總結一下。自動駕駛長尾問題是指自動駕駛汽車中的邊緣情況,即發生機率較低的可能場景。感知的長尾問題是目前限制單車智慧自動駕駛車輛運行設計域的主要原因之一。自動駕駛的底層架構和大部分技術問題已經解決,剩下的5%的長尾問題,逐漸成了限制自動駕駛發展的關鍵。這些問題包括各種零碎的場景、極端的情況和無法預測的人類行為。自動駕駛中的邊緣場景"長尾"是指自動駕駛汽車(AV)中的邊緣情況,邊緣情況是發生機率較低的可能場景。這些罕見的事件

0.寫在前面&&個人理解自動駕駛系統依賴先進的感知、決策和控制技術,透過使用各種感測器(如相機、光達、雷達等)來感知周圍環境,並利用演算法和模型進行即時分析和決策。這使得車輛能夠識別道路標誌、檢測和追蹤其他車輛、預測行人行為等,從而安全地操作和適應複雜的交通環境。這項技術目前引起了廣泛的關注,並認為是未來交通領域的重要發展領域之一。但是,讓自動駕駛變得困難的是弄清楚如何讓汽車了解周圍發生的事情。這需要自動駕駛系統中的三維物體偵測演算法可以準確地感知和描述周圍環境中的物體,包括它們的位置、

軌跡預測在自動駕駛中承擔著重要的角色,自動駕駛軌跡預測是指透過分析車輛行駛過程中的各種數據,預測車輛未來的行駛軌跡。作為自動駕駛的核心模組,軌跡預測的品質對於下游的規劃控制至關重要。軌跡預測任務技術堆疊豐富,需熟悉自動駕駛動/靜態感知、高精地圖、車道線、神經網路架構(CNN&GNN&Transformer)技能等,入門難度很高!許多粉絲期望能夠盡快上手軌跡預測,少踩坑,今天就為大家盤點下軌跡預測常見的一些問題和入門學習方法!入門相關知識1.預習的論文有沒有切入順序? A:先看survey,p

原文標題:SIMPL:ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving論文連結:https://arxiv.org/pdf/2402.02519.pdf程式碼連結:https://github.com/HKUST-Aerial-Robotics/SIMPLobotics單位論文想法:本文提出了一種用於自動駕駛車輛的簡單且有效率的運動預測基線(SIMPL)。與傳統的以代理為中心(agent-cent

寫在前面&出發點端到端的範式使用統一的框架在自動駕駛系統中實現多任務。儘管這種範式具有簡單性和清晰性,但端到端的自動駕駛方法在子任務上的表現仍然遠遠落後於單任務方法。同時,先前端到端方法中廣泛使用的密集鳥瞰圖(BEV)特徵使得擴展到更多模態或任務變得困難。這裡提出了一種稀疏查找為中心的端到端自動駕駛範式(SparseAD),其中稀疏查找完全代表整個駕駛場景,包括空間、時間和任務,無需任何密集的BEV表示。具體來說,設計了一個統一的稀疏架構,用於包括檢測、追蹤和線上地圖繪製在內的任務感知。此外,重

最近一個月由於眾所周知的一些原因,非常密集地和業界的各種老師同學進行了交流。交流中必不可免的一個話題自然是端到端與火辣的特斯拉FSDV12。想藉此機會,整理當下這個時刻的一些想法和觀點,供大家參考和討論。如何定義端到端的自動駕駛系統,應該期望端到端解決什麼問題?依照最傳統的定義,端到端的系統指的是一套系統,輸入感測器的原始訊息,直接輸出任務關心的變數。例如,在影像辨識中,CNN相對於傳統的特徵提取器+分類器的方法就可以稱之為端到端。在自動駕駛任務中,輸入各種感測器的資料(相機/LiDAR
