論文の概要: Topo2Seq: Enhanced Topology Reasoning via Topology Sequence Learning

• arxiv url: http://arxiv.org/abs/2502.08974v1
• Date: Thu, 13 Feb 2025 05:21:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:48:28.992466
• Title: Topo2Seq: Enhanced Topology Reasoning via Topology Sequence Learning
• Title（参考訳）: Topo2Seq: トポロジーシーケンス学習によるトポロジー推論の強化
• Authors: Yiming Yang, Yueru Luo, Bingkun He, Erlong Li, Zhipeng Cao, Chao Zheng, Shuqi Mei, Zhen Li,
• Abstract要約: Topo2Seqは、トポロジーシーケンス学習によるトポロジー推論を強化する新しいアプローチである。 Topo2Seqの中核となる概念は、レーンセグメントデコーダとトポロジーシーケンスデコーダ間のランダム化順序の逐次学習である。 Topo2Seqは、トポロジーシーケンスデコーダから強力な長距離認識と正確なトポロジカル推論を学習する。
• 参考スコア（独自算出の注目度）: 26.59766596428789
• License:
• Abstract: Extracting lane topology from perspective views (PV) is crucial for planning and control in autonomous driving. This approach extracts potential drivable trajectories for self-driving vehicles without relying on high-definition (HD) maps. However, the unordered nature and weak long-range perception of the DETR-like framework can result in misaligned segment endpoints and limited topological prediction capabilities. Inspired by the learning of contextual relationships in language models, the connectivity relations in roads can be characterized as explicit topology sequences. In this paper, we introduce Topo2Seq, a novel approach for enhancing topology reasoning via topology sequences learning. The core concept of Topo2Seq is a randomized order prompt-to-sequence learning between lane segment decoder and topology sequence decoder. The dual-decoder branches simultaneously learn the lane topology sequences extracted from the Directed Acyclic Graph (DAG) and the lane graph containing geometric information. Randomized order prompt-to-sequence learning extracts unordered key points from the lane graph predicted by the lane segment decoder, which are then fed into the prompt design of the topology sequence decoder to reconstruct an ordered and complete lane graph. In this way, the lane segment decoder learns powerful long-range perception and accurate topological reasoning from the topology sequence decoder. Notably, topology sequence decoder is only introduced during training and does not affect the inference efficiency. Experimental evaluations on the OpenLane-V2 dataset demonstrate the state-of-the-art performance of Topo2Seq in topology reasoning.
• Abstract（参考訳）: 車線トポロジーを視点から抽出することは、自動運転の計画と制御に不可欠である。 このアプローチは、ハイデフィニション(HD)マップに頼らずに、自動運転車の潜在的なドライビング可能な軌道を抽出する。 しかし、DETRライクなフレームワークの非順序の性質と弱い長距離認識は、不整合セグメントエンドポイントと限られたトポロジ的予測能力をもたらす可能性がある。 言語モデルにおける文脈関係の学習にインスパイアされた道路の接続関係は、明示的なトポロジーシーケンスとして特徴づけられる。 本稿ではトポロジカルシークエンスを用いたトポロジカルシークエンスによるトポロジカルシークエンシングの新たなアプローチであるトポロジカルシークエンス(Topo2Seq)を紹介する。 Topo2Seqの中核となる概念は、レーンセグメントデコーダとトポロジーシーケンスデコーダ間のランダム化順序の逐次学習である。 デュアルデコーダブランチは、方向非巡回グラフ(DAG)と幾何学情報を含むレーングラフから抽出されたレーントポロジーシーケンスを同時に学習する。 ランダム化順序の逐次学習は、レーンセグメントデコーダによって予測されるレーングラフから未順序キーポイントを抽出し、トポロジシーケンスデコーダの即時設計に入力して順序付きおよび完全レーングラフを再構成する。 このようにして、レーンセグメントデコーダは、トポロジーシーケンスデコーダから強力な長距離認識と正確なトポロジ的推論を学習する。 特に、トポロジーシーケンスデコーダはトレーニング中にのみ導入され、推論効率に影響を与えない。 OpenLane-V2データセットの実験的評価は、トポロジー推論におけるTopo2Seqの最先端性能を示している。

関連論文リスト

• T2SG: Traffic Topology Scene Graph for Topology Reasoning in Autonomous Driving [26.038699227233227]
  交通トポロジシーングラフ(Traffic Topology Scene Graph)は、路面を明示的にモデル化し、異なる路面信号で制御し、ガイドする統一されたシーングラフである。 T2SGの生成のために,新たに2つのレイヤが設計された新しいトポロジーシーングラフトランスフォーマーであるTopoFormerを提案する。
  論文  参考訳（メタデータ） (2024-11-28T03:55:50Z)
• TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
  我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。 我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。 レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
  論文  参考訳（メタデータ） (2024-11-22T06:13:42Z)
• TopoLogic: An Interpretable Pipeline for Lane Topology Reasoning on Driving Scenes [27.930213859199473]
  レーン幾何距離とレーンクエリ類似度に基づくレーントポロジー推論の解釈可能な手法を提案する。 提案手法は,主要なベンチマークであるOpenLane-V2において,既存の最先端手法よりも大幅に優れています。 提案する幾何距離トポロジ推論法は, 再学習なしによく訓練されたモデルに組み込むことができる。
  論文  参考訳（メタデータ） (2024-05-23T16:15:17Z)
• LaneGraph2Seq: Lane Topology Extraction with Language Model via Vertex-Edge Encoding and Connectivity Enhancement [34.017743757153866]
  複雑な道路構造は、中心線曲線やDAG(Directed Acyclic Graph)を形成する接続を含むレーングラフを用いて描かれることが多い。 本稿では,レーングラフ抽出の新しいアプローチであるLaneGraph2Seqを紹介する。 本手法は,レーングラフ抽出における最先端技術と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-31T05:44:01Z)
• TopoMLP: A Simple yet Strong Pipeline for Driving Topology Reasoning [51.29906807247014]
  トポロジー推論は、道路シーンを理解し、自律運転における乾燥可能なルートを提示することを目的としている。 道路の中心線(車線)と交通要素を検出し、そのトポロジの関係、すなわち車線-車線トポロジと車線-交通トポロジを推論する必要がある。 トポロジー性能の上限を拡張するために,強力な3次元レーン検出器と改良された2次元交通要素検出器を導入する。
  論文  参考訳（メタデータ） (2023-10-10T16:24:51Z)
• Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
  TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。 TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
  論文  参考訳（メタデータ） (2023-04-11T15:23:29Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
  我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。 グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。 2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
  論文  参考訳（メタデータ） (2020-12-22T21:58:57Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。