論文の概要: PriorFusion: Unified Integration of Priors for Robust Road Perception in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2507.23309v1
• Date: Thu, 31 Jul 2025 07:43:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:09.225885
• Title: PriorFusion: Unified Integration of Priors for Robust Road Perception in Autonomous Driving
• Title（参考訳）: PriorFusion: 自動運転におけるロバスト道路認識のための優先事項の統合
• Authors: Xuewei Tang, Mengmeng Yang, Tuopu Wen, Peijin Jia, Le Cui, Mingshang Luo, Kehua Sheng, Bo Zhang, Diange Yang, Kun Jiang,
• Abstract要約: 道路要素認識を高めるために,意味的,幾何学的,生成的事前情報を統合した統合フレームワークであるPresideFusionを提案する。 本手法は,特に課題条件下での認識精度を著しく向上することを示す。
• 参考スコア（独自算出の注目度）: 12.699352594544166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the growing interest in autonomous driving, there is an increasing demand for accurate and reliable road perception technologies. In complex environments without high-definition map support, autonomous vehicles must independently interpret their surroundings to ensure safe and robust decision-making. However, these scenarios pose significant challenges due to the large number, complex geometries, and frequent occlusions of road elements. A key limitation of existing approaches lies in their insufficient exploitation of the structured priors inherently present in road elements, resulting in irregular, inaccurate predictions. To address this, we propose PriorFusion, a unified framework that effectively integrates semantic, geometric, and generative priors to enhance road element perception. We introduce an instance-aware attention mechanism guided by shape-prior features, then construct a data-driven shape template space that encodes low-dimensional representations of road elements, enabling clustering to generate anchor points as reference priors. We design a diffusion-based framework that leverages these prior anchors to generate accurate and complete predictions. Experiments on large-scale autonomous driving datasets demonstrate that our method significantly improves perception accuracy, particularly under challenging conditions. Visualization results further confirm that our approach produces more accurate, regular, and coherent predictions of road elements.
• Abstract（参考訳）: 自動運転への関心が高まり、正確で信頼性の高い道路認識技術への需要が高まっている。 高解像度マップをサポートしていない複雑な環境では、自動運転車は安全で堅牢な意思決定を保証するために、独立して周囲を解釈する必要がある。 しかし、これらのシナリオは、多数の、複雑なジオメトリー、そして道路要素の頻繁な閉塞のため、重大な課題を生んでいる。 既存のアプローチの鍵となる制限は、本来道路要素に存在する構造的前兆の不十分な利用であり、不規則で不正確な予測をもたらすことである。 そこで我々は,道路要素の知覚を高めるために,意味的,幾何学的,生成的事前を効果的に統合する統合フレームワークであるPresideFusionを提案する。 道路要素の低次元表現を符号化するデータ駆動型形状テンプレート空間を構築し,クラスタリングにより基準先行点としてアンカーポイントを生成する。 我々は、これらの先行アンカーを利用して正確な完全予測を生成する拡散ベースのフレームワークを設計する。 大規模自律運転データセットを用いた実験では,特に困難条件下での認識精度が著しく向上することが示されている。 可視化の結果,道路要素のより正確で規則的で一貫性のある予測が得られた。

関連論文リスト

• LANet: A Lane Boundaries-Aware Approach For Robust Trajectory Prediction [4.096453902709292]
  本稿では,車線境界や道路縁を含む複数のベクトルマップ要素から情報を得る動き予測モデルを提案する。 モデルが道路構造に関する全体的情報を学習する,異なるベクトルマップ成分の情報をマージする,効果的な機能融合戦略が開発されている。 本手法は,運転環境のより情報的かつ効率的な表現を提供し,自律走行走行予測技術の現状を推し進めるものである。
  論文  参考訳（メタデータ） (2025-07-02T02:49:24Z)
• Enhancing Lane Segment Perception and Topology Reasoning with Crowdsourcing Trajectory Priors [12.333249510969289]
  本研究は, 軌道先行の新たな視点から, 先行オーディメンテーションを考察する。 我々は、融合プロセス中にアライメントを考慮に入れた信頼に基づく融合モジュールを設計する。 その結果,本手法の性能は現在の最先端手法よりも著しく優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-11-26T07:05:05Z)
• QuAD: Query-based Interpretable Neural Motion Planning for Autonomous Driving [33.609780917199394]
  自動運転車は環境を理解して適切な行動を決定する必要がある。 従来のシステムは、シーン内のエージェントを見つけるためにオブジェクト検出に依存していた。 我々は、最初に占有する時間的自律性を知覚するカスケードモジュールから遠ざかる、統一的で解釈可能で効率的な自律フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-01T21:11:43Z)
• Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
  RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。 データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• KI-PMF: Knowledge Integrated Plausible Motion Forecasting [11.311561045938546]
  現在の軌道予測手法は、主に特定の計量で損失関数を最適化することに集中している。 我々の目的は、車両の運動的制約の双方に応じて、ネットワークが将来の軌跡を予測できる明示的な知識事前を組み込むことである。 提案手法は,複雑な状況と動的状況の両方において,交通アクタの到達可能性を保証するように設計されている。
  論文  参考訳（メタデータ） (2023-10-18T14:40:52Z)
• SEPT: Towards Efficient Scene Representation Learning for Motion Prediction [19.111948522155004]
  本稿では,自己教師付き学習を活用し,複雑な交通シーンのための強力なモデルを開発するためのモデリングフレームワークSEPTを提案する。 実験により、SEPTはアーキテクチャ設計や機能エンジニアリングを伴わず、Argoverse 1 と Argoverse 2 のモーション予測ベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-09-26T21:56:03Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset and Consensus-Based Models [76.32775745488073]
  本研究では,非構造環境における動作計画の研究を目的とした,新しいデータセットとモデリングフレームワークを提案する。 コンセンサスに基づくモデリング手法により、データセットで観測された優先順位の出現を効果的に説明できることを実証する。
  論文  参考訳（メタデータ） (2022-09-19T05:06:57Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。