Generation of Training Data from HD Maps in the Lanelet2 Framework

将高清地图直接用作机器学习任务的训练数据已经变得非常流行，并显示出了很好的结果，例如在地图感知领域。尽管如此，目前并不存在一个标准化的高清地图框架，支持所有基于地图的自动驾驶部分和从地图数据生成训练标签。此外，在实时推理期间将地图数据作为输入的地图感知模型也未得到研究界的关注。为了填补这一空白，我们提出了lanelet2_ml_converter，这是一个集成到广泛应用于学术界和工业界的自动驾驶系统中的高清地图框架Lanelet2中的扩展。通过这个扩展，Lanelet2从单一地图数据和格式统一了基于地图的自动驾驶、机器学习推理和训练。分析了一个统一框架的要求，并描述了这些要求的实现。通过地图感知领域的应用示例，演示了在最先进的机器学习中使用标签的可用性。源代码嵌入在Lanelet2框架下，网址为https://github.com/fzi-forschungszentrum-informatik/Lanelet2/tree/feature_ml_converter。

本论文旨在填补现有高清地图框架在自动驾驶和机器学习方面的缺陷，提出了一种基于Lanelet2框架的HD地图转换器，以实现从单一地图数据和格式中支持地图驱动的自动驾驶、机器学习训练和推断的统一框架。

本论文的关键思路是将机器学习和高清地图相结合，提出了一种基于Lanelet2框架的HD地图转换器，从而实现了地图驱动的自动驾驶、机器学习训练和推断的统一框架。

本论文提出了一种新的框架，将高清地图和机器学习相结合，实现了地图驱动的自动驾驶、机器学习训练和推断的统一框架。该框架的可用性得到了实验证明，并且开源代码可用。该论文的亮点还包括：分析了统一框架的要求，介绍了实现这些要求的方法，并使用了实际应用示例来展示标签在机器学习中的可用性。

最近的相关研究包括使用高清地图进行机器学习的研究，以及自动驾驶中使用地图的研究。其中一些论文的标题包括“Towards End-to-End Lane Detection: an Instance Segmentation Approach”和“Map-based Lane Detection for Autonomous Driving”等。