[논문 리뷰] Impact of Localization Errors on Label Quality for Online HD Map Construction

Alexander Blumberg, Jonas Merkert외 5명|arXiv (Cornell University)|2026. 03. 03.

Robotics and Sensor-Based Localization인용 수 0

한 줄 요약

이 논문은 세 가지 위치추정 노이즈 유형(Ramp, Gaussian, Perlin)을 학습 라벨에 적용하고 Argoverse 2에서 MapTRv2를 사용한 온라인 HD 맵 구축에 미치는 영향을 평가하며, 자가 거리와의 왜곡을 분석하기 위한 거리 인식 평가 지표를 도입한다.

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.

연구 동기 및 목표

• 노이즈가 있는 플릿 데이터를 라벨로 활용하여 온라인 HD 맵 구축의 동기를 제시한다.
• 위치 오차가 지상 진실 맵 라벨을 왜곡하는 방식을 정량화한다.
• Argoverse 2에서 MapTRv2의 성능 저하를 라벨 왜곡과 함께 평가한다.
• 자가 거리까지 고려한 거리 인식 평가 지표를 도입한다.
• 강건한 맵 구축을 위한 적정 위치 정밀도에 대한 지침을 제공한다.

제안 방법

• 실세계 불확실성 패턴에 기반한 세 가지 위치추정 노이즈(Ramp, Gaussian, Perlin)를 모델링한다.
• Argoverse 2의 학습 라벨에 노이즈를 적용하고 MapTRv2 변형을 학습한다.
• 표준 AP 지표와 거리 인식 챔퍼 기반 지표로 성능을 평가한다.
• 왜곡된 GT, 손상된 라벨, 모델 예측을 비교하여 거리에 따른 저하를 분석한다.
• 부분적 손상(NR)을 탐색하여 혼합 품질 라벨의 효과를 연구한다.
• 노이즈 시나리오 전반에 걸친 예측 아티팩트를 질적으로 분석한다.

실험 결과

연구 질문

• RQ1 Ramp, Gaussian, Perlin 위치추정 노이즈가 온라인 HD 맵 구축을 위한 GT 라벨 품질에 어떤 영향을 미치는가?
• RQ2 노이즈가 인지 범위 전반에서 MapTRv2의 성능에 어떤 영향을 미치는가?
• RQ3 각도(헤딩) 오차가 거리 증가에 따라 순수 위치 오차보다 더 해로운가?
• RQ4 학습 라벨의 부분적 손상이 성능을 저하시킬 수 있으며, 올바른 라벨이 이를 완화시킬 수 있는가?
• RQ5 거리 인식 지표가 전통적인 AP를 넘어 HD 맵 구축 평가에 어떤 인사이트를 제공하는가?

주요 결과

실험	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

• 위치추정 노이즈는 MapTRv2의 성능을 크게 저하시키며, 멀리 있는 라벨일수록 영향이 커진다.
• 헤딩/각도 오차는 자가와의 거리 증가에 따라 순수 위치 오차보다 더 큰 영향을 준다.
• 성능 저하는 선형적이지 않으며, 노이즈 데이터 증가가 성능 저하를 더 가파르게 만든다.
• 부분적 손상은 올바른 라벨의 혼합이 완전 손상 데이터보다 견고성을 높이고 일부 올바른 라벨이 적응을 돕는다는 것을 보인다.
• 거리 인식 지표는 인지 링 내에서 오차가 어떻게 전파되는지 보여주며, 주행 결정에 가까운 라벨 정확도가 더 큰 중요성을 가진다는 점을 강조한다.
• 정성적 분석은 높은 노이즈 수준에서 라벨 왜곡이 발생하고, 극단적 수준에서는 장면 구조를 상실한다.