FlexMap Fusion: Georeferencing and Automated Conflation of HD Maps with OpenStreetMap

📄 arXiv: 2404.10879v2 📥 PDF

作者: Maximilian Leitenstern, Florian Sauerbeck, Dominik Kulmer, Johannes Betz

分类: cs.RO

发布日期: 2024-04-16 (更新: 2024-04-18)

备注: 7 pages

🔗 代码/项目: GITHUB

💡 一句话要点

提出FlexMap Fusion以解决HD地图更新与增强问题

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 高精度地图 自动驾驶 OpenStreetMap 地理参考 语义属性合并 映射管道 自动化更新

📋 核心要点

  1. 现有的HD地图生成方法在复杂街道结构（如交通岛）中存在局限性，导致地图更新效率低下。
  2. FlexMap Fusion通过自动化更新和增强HD矢量地图，结合OpenStreetMap数据，显著降低了人工干预需求。
  3. 实验结果表明，该方法提高了HD地图的完整性和可用性，并增强了映射管道的可扩展性。

📝 摘要（中文）

当前自动驾驶车辆的软件栈依赖高精度（HD）地图以实现准确定位、路径规划和运动预测。为减少手动创建和更新HD地图的工作量，本文提出了FlexMap Fusion方法，旨在利用OpenStreetMap自动更新和增强现有的HD矢量地图。该方法支持使用RTK校正的GNSS信号对点云地图和矢量地图进行地理参考，同时可以将OpenStreetMap中的缺失语义属性合并到矢量地图中。用户可以手动修正HD地图与OpenStreetMap之间的差异。研究表明，该方法减少了HD地图生成过程中的人工劳动，提高了映射管道的可扩展性，并改善了地图的完整性和可用性。

🔬 方法详解

问题定义：本文旨在解决现有HD地图更新过程中的人工劳动密集和效率低下的问题，尤其是在复杂街道结构下的局限性。

核心思路：FlexMap Fusion通过自动化地理参考和语义属性合并，利用OpenStreetMap数据增强HD地图的完整性和准确性，减少人工干预。

技术框架：该方法包括多个模块：首先，通过RTK校正的GNSS信号对点云和矢量地图进行地理参考；其次，从OpenStreetMap中提取缺失的语义属性并合并到矢量地图中；最后，提供可视化工具供用户手动修正地图差异。

关键创新：FlexMap Fusion的创新在于其自动化的地图更新流程，特别是在复杂环境下的适应性和灵活性，显著提升了HD地图的生成效率。

关键设计：该方法的关键设计包括RTK校正的GNSS信号处理、OpenStreetMap数据的语义属性提取与合并，以及用户交互界面的设计，以便于手动修正和优化地图数据。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果显示，FlexMap Fusion在HD地图生成过程中减少了人工干预，提升了地图的完整性和可用性。与传统方法相比，该方法在复杂街道结构下的适应性显著增强，具体性能数据尚未公开。

🎯 应用场景

FlexMap Fusion的研究成果可广泛应用于自动驾驶、智能交通系统以及城市规划等领域。通过提高HD地图的更新效率和准确性，该方法能够为自动驾驶车辆提供更可靠的环境感知和决策支持，促进智能交通的发展。

📄 摘要（原文）

Today's software stacks for autonomous vehicles rely on HD maps to enable sufficient localization, accurate path planning, and reliable motion prediction. Recent developments have resulted in pipelines for the automated generation of HD maps to reduce manual efforts for creating and updating these HD maps. We present FlexMap Fusion, a methodology to automatically update and enhance existing HD vector maps using OpenStreetMap. Our approach is designed to enable the use of HD maps created from LiDAR and camera data within Autoware. The pipeline provides different functionalities: It provides the possibility to georeference both the point cloud map and the vector map using an RTK-corrected GNSS signal. Moreover, missing semantic attributes can be conflated from OpenStreetMap into the vector map. Differences between the HD map and OpenStreetMap are visualized for manual refinement by the user. In general, our findings indicate that our approach leads to reduced human labor during HD map generation, increases the scalability of the mapping pipeline, and improves the completeness and usability of the maps. The methodological choices may have resulted in limitations that arise especially at complex street structures, e.g., traffic islands. Therefore, more research is necessary to create efficient preprocessing algorithms and advancements in the dynamic adjustment of matching parameters. In order to build upon our work, our source code is available at https://github.com/TUMFTM/FlexMap_Fusion.