Technische Samenvatting: PseudoMapLabeler

Probleemstelling

De implementatie van online High-Definition (HD) kaartconstructiesystemen in real-world autonome rijscenario's wordt belemmerd door het tekort aan gelabelde trainingsdata. Het annoteren van HD-kaarten vereist uitgebreide handmatige inspanning door domeinexperts, wat het verzamelen van gelabelde data voor elke nieuwe geografische regio prohibitief duur maakt. Deze dataschaarste beperkt het generalisatievermogen van deep learning-modellen die getraind zijn op beperkte datasets. Hoewel Semi-Supervised Learning (SSL) een potentiële oplossing biedt door gebruik te maken van overvloedige ongelabelde data, kampen bestaande benaderingen met een cruciale uitdaging: het genereren van hoogwaardige pseudo-labels uit modelvoorspellingen. Methoden die ruwe voorspellingen als pseudo-labels gebruiken, introduceren vaak aanzienlijke ruis, wat leidt tot foutaccumulatie. Bov�aal voor online mapping faalt eenvoudige temporele aggregatie zonder betrouwbaarheidsbeoordeling erin om onderscheid te maken tussen consistente hoogwaardige voorspellingen en ruisachtige uitschieters, vooral bij het werken met complexe gevectoriseerde kaartelementen.

Methodologie

De auteurs stellen PseudoMapLabeler (PML) voor, een teacher-student semi-supervised learning framework ontworpen om hoogwaardige pseudo-labels te genereren via confidence-aware kaartverfijning. De pipeline werkt in vier afzonderlijke stadia:

1. Teacher Model Training: Een teacher-model (geïnstantieerd als Uni-PrevPredMap of UPPM) wordt vanaf nul getraind op een beperkte gelabelde dataset ($D_L$). Het model wordt gekalibreerd met behulp van temperature scaling om betrouwbare betrouwbaarheidsschattingen (confidence estimates) te garanderen.
2. Map Prior Generatie via Temporele Accumulatie: Het getrainde teacher-model wordt toegepast op een grote ongelabelde dataset ($D_U$). Voorspellingen worden temporeel geaccumuleerd binnen lokale scènes (bijv. 20-seconden sequenties) door de coördinaten van het voertuig (ego-vehicle) te transformeren naar een lokaal referentiekader van de scène.
3. Confidence-Aware Verfijning:
   • Beta-Distributie Confidence Maps: In plaats van voorspellingen als deterministisch te behandelen, modelleert de methode de detectiekans in elke gridcel met behulp van een Beta-distributie. Dit aggregeert het aantal observaties en de gekalibreerde voorspellingsbetrouwbaarheid om een betrouwbaarheidsscore per cel te produceren.
   • Spatial Clipping: In tegen tegenstelling tot conventionele filtering die volledige kaartelementen verwijdert als ze een drempelwaarde niet halen, introduceert PML een spatial clipping techniek. Deze behoudt selectief hoogwaardige segmenten van gevectoriseerde polylines terwijl onbetrouwbare delen worden verwijderd.
   • Adaptieve Drempelwaarde: Om variërende betrouwbaarheidsverdelingen over verschillende kaartklassen (bijv. rijstrookscheidingen versus voetgangersovergangen) op te vangen, gebruikt de methode percentile-gebaseerde adaptieve drempelwaardes om het retentiepercentage voor elke klasse te bepalen.
4. Pseudo-Label Generatie en Student Training: De verfijnde kaartelementen dienen als "map priors" en worden teruggevoerd naar het teacher-model. De teacher voorspelt opnieuw op de ongelabelde data, geleid door deze verfijnde priors, om verbeterde pseudo-labels ($\hat{D}_U$) te genereren. Een student-model wordt vervolgens gepre-trained op deze pseudo-labels en gefinetuned op de originele gelabelde data ($D_L$).

Belangrijkste Bijdragen

Het artikel schetst drie primaire bijdragen:

1. Beta-Distributie Confidence Map: Een nieuw schema voor evidence-aggregatie dat spatiotemporele betrouwbaarheid samenvat over een Bird's-Eye View (BEV) grid. In tegen tegenstelling tot deterministische benaderingen, houdt het rekening met zowel de observatiefrequentie als de voorspellingsbetrouwbaarheid, wat een interpreteerbare betrouwbaarheidsscore biedt voor kaartverfijning.
2. Spatial Clipping voor Prior Map Generatie: Een techniek die selectief hoogwaardige regio's van kaartelementen behoudt terwijl onbetrouwbare segmenten worden weggegooid. Door percentile-gebaseerde adaptieve drempelwaardes te gebruiken, maximaliseert het het gebruik van ongelabelde data door gedeeltelijke informatie van voorspellingen te behouden, waardoor de "alles-of-niets" discard van conventionele element-niveau filtering wordt vermeden.
3. Model-Agnostische Pipeline: De voorgestelde verfijnings- en pseudo-labeling procedure werkt op voorspelde gevectoriseerde kaartelementen zonder afhankelijk te zijn van model-specifieke internals. De auteurs demonstreren dat de verfijnde pseudo-labels effectief verschillende online geïnstrumenteerde kaartarchitecturen kunnen trainen, wat zij valideren met experimenten op zowel Uni-PrevPredMap als MapTR.

Experimentele Resultaten

Experimenten werden uitgevoerd op de nuScenes dataset met een geografisch gescheiden split om datalekken te voorkomen. De opzet simuleerde een scenario met weinig labels waarbij slechts 16,5% van de trainingsdata gelabeld was, terwijl de resterende 83,5% als ongelabeld werd beschouwd.

• Prestatiewinst: Het voorgestelde framework behaalde een verbetering van +6,1 mAP ten opzichte van het baseline UPPM-model dat uitsluitend op gelabelde data is getraind.
• Vergelijking met Filtering: De spatial clipping benadering presteerde +2,8 mAP beter dan een baseline element-wise filtering methode, wat het voordeel bevestigt van het behouden van gedeeltelijke informatie van kaartelementen.
• Klasse-Specifieke Verbeteringen: Opvallende winsten werden waargenomen in structureel complexe klassen, zoals voetgangersovergangen, waar de AP verbeterde van 5,4 naar 9,3.
• Generalisatie: Bij toepassing op een MapTR student-model verbeterde het framework de prestaties met +5,0 mAP ten opzichte van de MapTR baseline, wat het architectuur-agnostische karakter van de pipeline demonstreert.
• Drempelwaarde Analyse: De studie vond dat een percentile drempelwaarde van $p=30$ een gebalanceerd werkpunt bood, waarbij de geometrische dekking (Dice/IoU) werd gemaximaliseerd terwijl een hoge mAP behouden bleef.

Betekenis en Claims

De auteurs positioneren PseudoMapLabeler als een praktische oplossing voor het probleem van de schaarste aan gelabelde data bij online HD-kaartconstructie. Het artikel claimt dat door gebruik te maken van temporele observaties en confidence-aware verfijning, het framework effectief overvloedige ongelabelde data kan benutten om de modelgeneralisatie te verbeteren zonder dat extra handmatige annotatie nodig is.

De auteurs merken expliciet op dat de gerapporteerde winsten conservatief zijn, aangezien de baseline al gebruikmaakt van temporele priors die door de architectuur worden mogelijk gemaakt; de verbeteringen reflecteren dus het werkelijke voordeel van het SSL-framework. Ze erkennen echter ook beperkingen, waaronder de afhankelijkheid van nauwkeurige ego-pose schattingen, de aanname dat het initiële teacher-model voldoende signaal bevat voor verfijning, en de resterende prestatiekloof tussen hun verfijnde pseudo-labels en de theoretische bovengrens die door ground-truth priors wordt geboden. Het werk suggereert dat deze aanpak een kosteneffectievere implementatie van online mapping systemen in diverse real-world omgevingen mogelijk maakt.