Inferencia de Mapas de Conducción mediante Extracción de Mapas de Senderos Basada en Aprendizaje Profundo

Los mapas de alta definición (HD) ofrecen información ambiental extensa y precisa sobre la escena de conducción, convirtiéndolos en un elemento crucial y esencial para la planificación dentro de los sistemas de conducción autónoma. Para evitar esfuerzos extensos en el etiquetado manual, han surgido métodos para automatizar la creación de mapas. Las tendencias recientes han pasado de mapas offline a mapas online, asegurando disponibilidad y actualidad de los mapas utilizados. Aunque el rendimiento ha aumentado en los últimos años, el mapeo online aún enfrenta desafíos en cuanto a consistencia temporal, oclusión de sensores, tiempo de ejecución y generalización. Proponemos un nuevo enfoque de mapeo offline que integra senderos - rutas informales utilizadas por los conductores - en el proceso de creación de mapas. Nuestro método agrega datos de senderos del vehículo ego y de otros participantes del tráfico para construir un mapa global completo utilizando modelos de aprendizaje profundo basados en transformadores. A diferencia del mapeo offline tradicional, nuestro enfoque permite actualizaciones continuas mientras se mantiene agnóstico respecto a los sensores, facilitando la transferencia eficiente de datos. Nuestro método demuestra un rendimiento superior en comparación con los enfoques de mapeo online de última generación, logrando una mejor generalización a entornos previamente no vistos y configuraciones de sensores. Validamos nuestro enfoque en dos conjuntos de datos de referencia, destacando su robustez y aplicabilidad en sistemas de conducción autónoma.