Die Aufgabe der Online-Kartierung besteht darin, eine lokale Karte unter Verwendung aktueller Sensordaten vorherzusagen, ohne sich auf eine vorgefertigte Karte zu verlassen. Die derzeitigen Spitzenmethoden basieren auf überwachtem Lernen und werden hauptsächlich unter Verwendung von zwei Datensätzen trainiert: nuScenes und Argoverse 2. Diese Datensätze besuchen jedoch dieselben geografischen Orte über die Trainings-, Validierungs- und Testsets hinweg. Über 80% der nuScenes- und 40% der Argoverse 2-Validierungs- und Testproben befinden sich weniger als 5 m von einem Trainingssample entfernt. Bei der Testzeit werden die Methoden daher eher darauf bewertet, wie gut sie innerhalb einer aus den Trainingsdaten erstellten, memorierten impliziten Karte lokalisieren, als darauf, wie gut sie in unbekannte Umgebungen extrapolieren können.
Um die tatsächliche Leistung in unbekannten Umgebungen zu enthüllen, schlagen wir geografisch getrennte Datensplits vor. Die Ergebnisse zeigen, dass die Methoden deutlich schlechter abschneiden, wenn sie auf diesen korrekten Datensplits trainiert und evaluiert werden - einige fallen um mehr als 45 mAP ab. Darüber hinaus zeigt eine Neubewertung früherer Designentscheidungen abweichende Schlussfolgerungen von denen, die auf dem ursprünglichen Split basierten. Insbesondere scheint der Einfluss von Lifting-Methoden und die Unterstützung durch Hilfstasks (z.B. Tiefenüberwachung) auf die Leistung weniger substanziell zu sein oder einen anderen Verlauf zu nehmen als bisher wahrgenommen.
Ke Bahasa Lain
dari konten sumber
arxiv.org
Wawasan Utama Disaring Dari
by Adam Lilja,J... pada arxiv.org 04-08-2024
https://arxiv.org/pdf/2312.06420.pdfPertanyaan yang Lebih Dalam