[論文レビュー] Online Map Vectorization for Autonomous Driving: A Rasterization Perspective

Gongjie Zhang, Jiahao Lin+6 more|arXiv (Cornell University)|Jun 18, 2023

Geographic Information Systems Studies被引用数 16

ひとこと要約

本論文は MapVR という微分可能なラスタライゼーションフレームワークを導入し、ラスタ化されたHD地図でベクトル出力を監督することによりベクトル化HD地図予測を向上させ、さらにより感度の高いラスタライゼーションベースの評価指標を提案します。

ABSTRACT

Vectorized high-definition (HD) map is essential for autonomous driving, providing detailed and precise environmental information for advanced perception and planning. However, current map vectorization methods often exhibit deviations, and the existing evaluation metric for map vectorization lacks sufficient sensitivity to detect these deviations. To address these limitations, we propose integrating the philosophy of rasterization into map vectorization. Specifically, we introduce a new rasterization-based evaluation metric, which has superior sensitivity and is better suited to real-world autonomous driving scenarios. Furthermore, we propose MapVR (Map Vectorization via Rasterization), a novel framework that applies differentiable rasterization to vectorized outputs and then performs precise and geometry-aware supervision on rasterized HD maps. Notably, MapVR designs tailored rasterization strategies for various geometric shapes, enabling effective adaptation to a wide range of map elements. Experiments show that incorporating rasterization into map vectorization greatly enhances performance with no extra computational cost during inference, leading to more accurate map perception and ultimately promoting safer autonomous driving.

研究の動機と目的

• 自動運転におけるオンラインHD地図の高精度構築を動機づけ、既存のベクトル化および評価手法の限界に対処する。
• Chamfer距離より幾何変位に敏感なラスタライゼーションベースの評価指標を導入する。
• ジオメトリ認識の監督を可能にする微分可能なラスタライゼーションを通じて、ベクトル化出力とラスタ化HD地図を結ぶMapVRというフレームワークを提案する。

提案手法

• HDマスクを生成するために、線分要素を指数距離ベースのマスクで、ポリゴン要素をシグモイド付きの符号付き距離で描画する微分可能なラスタライザを定義する。
• ラスタ化されたHD地図の監督（ダイス loss）を適用してベクトル化予測を導く。等間隔の点ターゲットへの依存を排除する。
• 滑らかさと曲率を意識したベクトル出力を促進する方向正則化損失を組み込む。
• トレーニング後にラスタライゼーションモジュールを破棄して推論時の効率を維持する。
• 既存のマップベクトル化アーキテクチャ（例：MapTR）とプラグインとして互換性があることを示す。

実験結果

リサーチクエスチョン

• RQ1 ラスタライゼーションベースの監督は自動運転シナリオにおけるHD地図要素の精度と頑健性にどのように影響するか？
• RQ2 ラスタライゼーションベースの評価指標は Chamfer 距離ベースの指標より小さな幾何的偏差をより良く検出するか？
• RQ3 MapVR は推論コストを増やすことなく最先端のマップベクトル化（例：MapTR）を改善できるか？
• RQ4 ラスタライゼーションの解像度・ソフトネス・ジオメトリ認識レンダリングは、線分とポリゴンなど異なるマップ要素の形状で学習と性能にどのように影響するか？

主な発見

手法	モダリティ	バックボーン	エポック数	AP_Chamfer	AP_raster	FPS	ped	div	bdry	平均
HDMapNet [17]	C	Effi-B0	30	14.4	21.7	33.0	23.0	-	-	-	-	0.8
HDMapNet [17]	C & L	Effi-B0	30	16.3	29.6	46.7	31.0	-	-	-	-	0.5
VectorMapNet [28]	C	Res-50	110	36.1	47.3	39.3	40.9	26.2	12.7	6.1	15.0	2.9
VectorMapNet [28]	C & L	Res-50	110	37.6	50.5	47.5	45.2	-	-	-	-	-
MapTR [21]	C	Res-50	24	46.3	51.5	53.1	50.3	32.4	23.5	17.1	24.3	18.4
MapTR [21]	C	Res-50	110	56.2	59.8	60.1	58.7	43.6	35.6	25.8	35.0	18.4
MapTR [21]	C & L	Res-50	24	56.4	61.8	70.1	62.7	46.4	39.2	50.0	45.2	7.2
MapTR [21] + MapVR (Ours)	C	Res-50	24	47.7	54.4	51.4	51.2	37.5	33.1	23.0	31.2	18.4
MapTR [21] + MapVR (Ours)	C	Res-50	110	55.0	61.8	59.4	58.8	46.0	39.7	29.9	38.5	18.4
MapTR [21] + MapVR (Ours)	C & L	Res-50	24	60.4	62.7	67.2	63.5	52.4	46.4	54.4	51.1	7.2

• MapVR は複数のデータセットと設定でマップベクトル化の精度を改善し、特にラスタベースの評価（AP_raster）は Chamfer ベースの AP よりも大きな利得を示す。
• nuScenes Map（basic）では MapVR が MapTR より顕著な改善を示し、マルチモダリティ入力を使用する場合により大きなマージンを得る。
• nuScenes Map（extended）および Argoverse2 では、MapVR は両指標の下で最先端の性能を達成し、データセットを横断した頑健性を検証。
• 6V-mini-v0.4 の結果は MapVR がレーンや横断歩道などの要素を一貫して向上させ、実世界の複雑な場面での有効性を示す。
• ラスタライゼーションベースの評価指標は Chamfer 距離よりも感度が高く、幾何情報に基づくマッチングを提供し、運転安全性の要件とより一致する。