深層学習ベースのオンラインマッピングにおける故障モード：測定と対処方法

概要:
ディープラーニングに基づくオンラインマッピングは自動運転の要となる基盤として浮上しているが、これらのモデルは馴染みのある環境を超えて一般化することが頻繁に難しい。私たちは、入力特徴の記憶化と既知の地図幾何学への過剰適合という二つの影響を分離することによって、根底にある失敗モードを特定・測定する枠組みを提案する。評価サブセットに基づく地理的近接性と訓練・検証シーン間の幾何学的類似性を制御する指標を提案する。閾値の調整を要せず、要素ごとの形状忠実度を捉えるFréchet距離ベースの再構成統計を導入し、補完的な失敗モードスコアを定義する：地理的手掛かりが消失したときの性能低下を定量化する局所化過剰適合スコアと、シーンが幾何学的に新規になるにつれて劣化を測定する地図幾何学の過剰適合スコア。モデルを超えて、データセットの偏りを分析し、地図幾何学を意識した診断を提供します：訓練セットの最小全域木（MST）多様性指標と分割間の幾何学的類似性を定量化する対称的カバレッジ指標。これらを活用して、冗長性を減らし、バランスと性能を改善しつつ訓練サイズを縮小するMSTベースのスパース化戦略を定式化します。nuScenesおよびArgoverse 2に対する複数の最先端モデルを横断する実験は、一般化のより信頼できる評価を生み出し、地図幾何学的に多様でバランスのとれた訓練セットが性能の向上につながることを示します。私たちの結果は、失敗モードを意識したプロトコルと、展開可能なオンラインマッピングのための地図幾何学に中心化したデータセット設計を動機づけます。）