[論文レビュー] Impact of Localization Errors on Label Quality for Online HD Map Construction

Alexander Blumberg, Jonas Merkert+5 more|arXiv (Cornell University)|Mar 3, 2026

Robotics and Sensor-Based Localization被引用数 0

ひとこと要約

論文は訓練ラベルに適用される3種類のローカリゼーションノイズ（Ramp、Gaussian、Perlin）をモデル化し、Argoverse 2上のMapTRv2を用いたオンラインHDマップ構築への影響を評価し、 ego距離に対する歪みを分析する距離意識評価指標を導入する。

ABSTRACT

High-definition (HD) maps are crucial for autonomous vehicles, but their creation and maintenance is very costly. This motivates the idea of online HD map construction. To provide a continuous large-scale stream of training data, existing HD maps can be used as labels for onboard sensor data from consumer vehicle fleets. However, compared to current, well curated HD map perception datasets, this fleet data suffers from localization errors, resulting in distorted map labels. We introduce three kinds of localization errors, Ramp, Gaussian, and Perlin noise, to examine their influence on generated map labels. We train a variant of MapTRv2, a state-of-the-art online HD map construction model, on the Argoverse 2 dataset with various levels of localization errors and assess the degradation of model performance. Since localization errors affect distant labels more severely, but are also less significant to driving performance, we introduce a distance-based map construction metric. Our experiments reveal that localization noise affects the model performance significantly. We demonstrate that errors in heading angle exert a more substantial influence than position errors, as angle errors result in a greater distortion of labels as distance to the vehicle increases. Furthermore, we can demonstrate that the model benefits from non-distorted ground truth (GT) data and that the performance decreases more than linearly with the increase in noisy data. Our study additionally provides a qualitative evaluation of the extent to which localization errors influence the construction of HD maps.

研究の動機と目的

• ノイズ付きの車両データをラベルとして活用することでオンラインHDマップ構築を動機づける。
• ローカリゼーション誤差が地上真実マップラベルをどの程度歪ませるかを定量化する。
• ラベルの歪みがArgoverse 2上のMapTRv2の性能低下に与える影響を評価する。
• ego距離を考慮した距離認識評価指標を導入する。
• 頑健なマップ構築のための許容ローカリゼーション精度について指針を提供する。

提案手法

• 実世界の不確実性パターンに基づく3つのローカリゼーションノイズタイプ（Ramp、Gaussian、Perlin）をモデル化する。
• Argoverse 2上の訓練ラベルにノイズを適用し、MapTRv2の派生モデルを訓練する。
• 標準的なAP指標と距離認識のChameferベース指標で性能を評価する。
• 歪んだ真実値、破損したラベル、モデル予測を距離と共に比較して歪みを解析する。
• 部分的な破損（NR）を探索し、混合品質ラベルの影響を検討する。
• ノイズシナリオ間で予測アーティファクトを定性的に分析する。

実験結果

リサーチクエスチョン

• RQ1 Ramp、Gaussian、PerlinのローカリゼーションノイズはオンラインHDマップ構築の地上真実ラベル品質にどう影響するか？
• RQ2 ローカリゼーションノイズは見取り区間にわたってArgoverse 2上のMapTRv2の性能にどう影響するか？
• RQ3 距離が増すにつれて角度誤差（ヘディング誤差）は並進誤差よりより致命的になるか？
• RQ4 訓練ラベルの部分的破損は性能を低下させるか、正しいラベルは補正に役立つか？
• RQ5 距離認識指標は従来のAPを超えて、ローカリゼーションノイズ下のHDマップ構築評価にどんな洞察を提供するか？

主な発見

Experiment	AP_dsh	AP_sol	AP_bou	AP_cen	AP_ped	mAP
Baseline B	36.7	54.4	49.6	48.3	40.0	45.8
Ramp R1	34.8	52.1	46.0	46.1	36.5	43.1
Ramp R2	32.0	49.0	46.5	44.3	33.6	41.1
Ramp R3	30.6	46.4	43.7	42.7	33.1	39.3
Ramp R4	29.8	45.6	44.0	43.1	31.8	38.9
Ramp R5	33.9	50.7	46.0	46.6	37.5	43.0
Gaussian G1	33.4	52.4	46.5	40.4	37.6	42.1
Gaussian G2	33.9	53.3	47.4	44.7	37.2	43.3
Gaussian G3	25.2	36.4	41.8	31.2	35.4	34.0
Perlin P1	38.3	55.4	47.7	48.1	39.2	45.7
Perlin P2	29.4	42.8	42.0	39.8	34.9	37.8
Perlin P3	17.2	29.5	31.9	25.6	30.8	27.0
Perlin P4	17.6	31.5	32.5	27.2	30.5	27.9

• ローカリゼーションノイズはMapTRv2の性能を著しく低下させ、遠いラベルほど影響が大きくなる。
• ヘディング/角度誤差はEgoからの距離が増すにつれて位置誤差より影響が大きい。
• 性能低下は線形ではなく、ノイズデータの増加は小さな増分よりも急激に性能を悪化させる。
• 部分的破損は正しいラベルの混合が完全な破損より頑健性を高め、いくつかの正しいラベルが適応を助けることを示す。
• 距離認識指標は知覚リング内での誤差の伝搬を明らかにし、近傍ラベルの正確さが運転判断のためにより重要であることを強調する。
• 定性的分析によりノイズレベルが高いほどラベルのワーイングが生じ、極端なレベルでは場景構造の喪失が生じる。