정확하고 최신의 도로 구조 표현은 자율주행 차량의 안전한 운행에 매우 중요하다. 기존 시스템은 비용이 많이 들고 유지보수 부담이 큰 고해상도(HD) 맵에 의존하여 정보가 낙후될 때 안전성이 저하되거나, 순수 센서 기반 온라인 맵핑에 의존하여 장거리 신뢰성과 가림(occlusion) 문제에 어려움을 겪는다. 온라인 맵핑에 맵 프라이어 정보를 통합하는 시스템은 두 접근법을 일정한 방식으로 결합하여 각각의 단점을 극복하고자 한다. 우리는 'Driveline To HD Map'(D2HDMap)을 제안한다. 이는 차선 구분선, 도로 경계, 횡단보도 등 가시적인 도로 구조의 추정을 유도하기 위해 경량의 비가시 드라이브라인 프라이어를 주입하는 온라인 맵핑 시스템이다. 이 프라이어는 다른 접근법에서 사용되는 전체 HD 맵 프라이어에 비해 생성 및 갱신에 필요한 노력이 적다. 또한 이러한 프라이어로 학습하면 프라이어가 없을 때 추론 시 일반화가 개선될 수 있음을 보여준다. nuScenes 및 Argoverse 2 데이터셋에서 수행한 절제 실험(ablation study)은 드라이브라인 프라이어로 학습한 모델이 프라이어가 없을 때도 대부분의 성능을 유지함을 보여준다. 지리적으로 분리된 분할에서 D2HDMap은 44.8 mAP를 달성하여 최근 state-of-the-art를 능가한다. 또한 노이즈 인식 학습은 현실적인 위치 추정 오차에 대한 강건성을 크게 향상시킨다.
신뢰할 수 있는 자율 주행을 위해서는 기하학적으로 정확하고 의미론적으로 풍부하며 장기간 주행으로 확장 가능한 벡터화된 HD 맵이 필요합니다. 그러나 기존 공개 HD 맵 데이터셋은 규모가 제한적이고 의미론적 속성이 희소하며, 새로운 연구 방향을 가능하게 할 수 있는 항공 이미지와 같은 모달리티가 부족합니다. 우리는 약 40시간(1,400km)의 최소 중복 주행을 포괄하는 벡터 HD 맵 구축을 위한 대규모 데이터셋인 HRDX를 소개합니다. 이는 이전 공개 HD 맵 데이터셋보다 몇 배 더 큰 규모입니다. 데이터는 6개의 동기화된 서라운드 카메라, 128빔 라이다, 센티미터 수준의 RTK GNSS/IMU를 사용하여 캡처되었으며, 정밀하게 정렬된 항공 정사영상으로 추가 보완되었습니다. 어노테이션은 10개의 벡터 맵 클래스를 포함하며, 20개 이상의 의미론적 및 위상 속성으로 보완되었습니다. 이러한 더 풍부한 온톨로지를 평가하기 위해, 우리는 기하학적 충실도와 속성 정확성을 공동으로 평가하는 복합 점수(Composite Score, CS)를 도입했습니다. 벤치마크 실험에 따르면 HRDX의 규모는 온라인 벡터 맵 구축을 향상시키며, 정렬된 항공 이미지는 유용한 구조적 사전 정보(structural prior)를 제공합니다. 학습 및/또는 추론 시 항공 이미지를 사용하면 지도의 기하학적 품질이 향상되며, 항공 이미지 증강 교사 모델은 추론 시 센서 요구사항을 늘리지 않고도 이러한 이점의 일부를 카메라 전용 학생 모델로 전이할 수 있습니다. HRDX는 대규모 HD 맵 학습, 멀티모달 BEV 융합, 학습 시 특권 정보(privileged information)에 대한 재현 가능한 연구를 지원하는 것을 목표로 합니다. HRDX 데이터셋과 벤치마크는 https://github.com/honda-research-institute/HRDX 에서 확인할 수 있습니다.