[논문 리뷰] Automatic Construction of Lane-level HD Maps for Urban Scenes

Yiyang Zhou, Yuichi Takeda외 2명|arXiv (Cornell University)|2021. 07. 23.

Automated Road and Building Extraction인용 수 5

한 줄 요약

이 논문은 전방 카메라 영상과 선택적 LIDAR를 사용하여 복잡한 도심 환경에서 자동으로 고정밀 도로망을 구축하기 위한 의미적 입자 필터 프레임워크를 제안한다. 조류 시점 투영도상에서 의미 분할과 순차적 몬테 카를로 탐색을 융합하고, OpenStreetMap을 위상적 사전 지식으로 활용함으로써, 흐린 표시선이나 복잡한 교차로가 있는 장면에서도 강력한 차선 경계 검출(mIOU 0.79), 궤적 추정(RMS 24cm), 교차로 위상 정보 추론을 달성한다.

ABSTRACT

High definition (HD) maps have demonstrated their essential roles in enabling full autonomy, especially in complex urban scenarios. As a crucial layer of the HD map, lane-level maps are particularly useful: they contain geometrical and topological information for both lanes and intersections. However, large scale construction of HD maps is limited by tedious human labeling and high maintenance costs, especially for urban scenarios with complicated road structures and irregular markings. This paper proposes an approach based on semantic-particle filter to tackle the automatic lane-level mapping problem in urban scenes. The map skeleton is firstly structured as a directed cyclic graph from online mapping database OpenStreetMap. Our proposed method then performs semantic segmentation on 2D front-view images from ego vehicles and explores the lane semantics on a birds-eye-view domain with true topographical projection. Exploiting OpenStreetMap, we further infer lane topology and reference trajectory at intersections with the aforementioned lane semantics. The proposed algorithm has been tested in densely urbanized areas, and the results demonstrate accurate and robust reconstruction of the lane-level HD map.

연구 동기 및 목표

• 복잡한 도로 구조와 비정상적인 표시선을 가진 밀도 높은 도심 환경에서 대규모이고 비용 효율적인 차선 수준의 고정밀 지도 구축의 과제를 해결한다.
• 수동 레이블링 없이 자동으로 종단 간 차선 기하학, 기준 궤적, 위상 관계(예: 융합/분할)를 재구성할 수 있도록 한다.
• 2D 영상에서의 의미 이해와 OpenStreetMap을 이용한 위상적 추론을 융합하여 교차로에서의 도로 연결성을 추론한다.
• 차선 분할, 끊어진 표시선, 버스 정류장 및 자전거 차선과 같은 비정상적인 도로 특징이 있는 실제 도심 환경에서도 강력한 성능을 달성한다.

제안 방법

• Cityscapes에서 사전 학습하고 BDD100K에서 미세조정한 DeepLab-v3+ 의미 분할 네트워크를 사용하여 전방 시점 영상에서 주행 가능한 영역과 차선 유형을 분류한다.
• LIDAR 데이터로부터 진정한 지형 투영을 사용하여 의미 분할 지ap을 조류 시점 투영(BEV) 도메인으로 투영하여 기하학적 정확도를 유지한다.
• BEV 지도에 순차적 몬테 카를로(입자 필터) 방법을 적용하여 확률적 운동 모델을 사용해 잠재적인 차선 경로를 나타내는 입자를 전파함으로써 차선을 추적한다.
• DBSCAN 군집화(최대 거리 1m)를 사용하여 입자를 일관된 차선 세그먼트로 그룹화하고, 차선 경계선과 중심선을 추론한다.
• 교차로에서의 위상적 관계(융합, 분할, 차선 간 연결성 등)를 추론하기 위해 OpenStreetMap을 조잡한 사전 지식으로 활용한다.
• 효율적인 저장 및 쿼리 가능성을 위해 최종 지도를 유도형 순환 그래프(DCG)로 표현하며, 후속 자율 주행 모듈에 적합한 미분 가능 형식을 사용한다.

실험 결과

연구 질문

• RQ1 의미적 입자 필터 프레임워크는 표시선이 손실되거나 끊어진 도시 환경에서도 정확하고 강력한 차선 수준의 고정밀 지도 재구성에 성공할 수 있는가?
• RQ2 LIDAR에서의 지형 보정과 함께 의미 분할과 결합된 BEV 기반 입자 필터는 차선 추적에 얼마나 효과적인가?
• RQ3 OpenStreetMap을 위상적 사전 지식으로 사용할 경우, 교차로 연결성과 차선 위상 추론에 얼마나 기여하는가?
• RQ4 실제 도심 환경에서 불규칙하거나 경사진 지형에서 진정한 지면 지형(실제 LIDAR에서 추출)을 사용하는 것과 평면 가정을 사용하는 것 간에 지도 정확도와 강성에서 어떤 차이가 있는가?

주요 결과

• Downtown Berkeley에서 차선 중심 궤적 추정의 평균 RMS 오차는 24cm이며, 차선 경계 검출의 평균 IOU는 0.79를 기록한다.
• 샌프란시스코 노스비치에서는 RMS 오차 0.33m, mIOU 0.76를 기록했으며, IOU 기준 0.7일 때 정밀도 0.63, 재현도 0.63을 확보했다.
• LIDAR로 보정된 지형을 사용할 경우, 평면 지면 가정 대비 정밀도와 재현도가 뚜렷이 향상되었으며, 특히 불규칙하거나 경사진 도심 지형에서 유의미한 개선이 있었다.
• OpenStreetMap 통합으로 교차로에서의 위상 관계(융합, 분할 포함)를 정확히 추론할 수 있었고, 도시화 수준이 낮은 환경에서도 기준 방법보다 낮은 RMS 오차를 기록했다.
• 차선 분할, 끊어진 표시선, 버스 정류장 및 자전거 차선과 같은 비정상적인 도로 특징이 있는 도심 환경에서도 강력한 성능을 보였다.
• 공개 데이터셋(UrbanLoco)을 사용하여 표준화된 지표로 평가된 점에서 일반화 능력과 평가 투명도 면에서 이전 연구들을 능가했다.