論文の概要: RATopo: Improving Lane Topology Reasoning via Redundancy Assignment

• arxiv url: http://arxiv.org/abs/2508.15272v1
• Date: Thu, 21 Aug 2025 06:06:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.202225
• Title: RATopo: Improving Lane Topology Reasoning via Redundancy Assignment
• Title（参考訳）: RATopo:冗長アサインメントによるレーントポロジ推論の改善
• Authors: Han Li, Shaofei Huang, Longfei Xu, Yulu Gao, Beipeng Mu, Si Liu,
• Abstract要約: レーントポロジ推論は自動運転において重要な役割を果たす。 レーントポロジー推論のための冗長割当て戦略であるRATopoを提案する。
• 参考スコア（独自算出の注目度）: 20.251109000921044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lane topology reasoning plays a critical role in autonomous driving by modeling the connections among lanes and the topological relationships between lanes and traffic elements. Most existing methods adopt a first-detect-then-reason paradigm, where topological relationships are supervised based on the one-to-one assignment results obtained during the detection stage. This supervision strategy results in suboptimal topology reasoning performance due to the limited range of valid supervision. In this paper, we propose RATopo, a Redundancy Assignment strategy for lane Topology reasoning that enables quantity-rich and geometry-diverse topology supervision. Specifically, we restructure the Transformer decoder by swapping the cross-attention and self-attention layers. This allows redundant lane predictions to be retained before suppression, enabling effective one-to-many assignment. We also instantiate multiple parallel cross-attention blocks with independent parameters, which further enhances the diversity of detected lanes. Extensive experiments on OpenLane-V2 demonstrate that our RATopo strategy is model-agnostic and can be seamlessly integrated into existing topology reasoning frameworks, consistently improving both lane-lane and lane-traffic topology performance.
• Abstract（参考訳）: レーン間の接続とレーンと交通要素間のトポロジ的関係をモデル化することにより、レーントポロジ推論は自律運転において重要な役割を果たす。 既存の手法の多くは、検出段階で得られた1対1の割り当て結果に基づいてトポロジカルな関係を監督するファースト・ディテクト・テーン・レアソン・パラダイムを採用している。 この監視戦略は, 有効な監督範囲が限られているため, 最適トポロジ推論性能が低下する。 本稿では,レーントポロジ推論のための冗長アサインメント戦略であるRATopoを提案する。 具体的には、トランスフォーマーデコーダを、クロスアテンション層と自己アテンション層を交換することで再構成する。 これにより、余分なレーン予測を抑制前に保持することができ、効果的なワン・ツー・マンの割り当てが可能になる。 また、独立パラメータで複数の並列なクロスアテンションブロックをインスタンス化し、検出されたレーンの多様性をさらに高めます。 OpenLane-V2の大規模な実験は、RATopo戦略がモデルに依存しず、既存のトポロジ推論フレームワークにシームレスに統合され、レーンレーンとレーン交通トポロジのパフォーマンスを一貫して改善できることを示しています。

関連論文リスト

• TopoStreamer: Temporal Lane Segment Topology Reasoning in Autonomous Driving [52.25176274203747]
  TopoStreamerは、レーンセグメントトポロジー推論のためのエンドツーエンドの時間知覚モデルである。 TopoStreamerは、ストリーミング属性制約、動的レーン境界位置エンコーディング、およびレーンセグメントのデノイングという3つの重要な改善点を紹介している。 Open-Lane-V2データセットでは、TopoStreamerが最先端のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-07-01T12:10:46Z)
• RelTopo: Enhancing Relational Modeling for Driving Scene Topology Reasoning [55.21557415676928]
  道路トポロジー推論は自動運転にとって重要であり、効率的なナビゲーションと交通規制の遵守を可能にする。 既存の手法は通常、レーン検出またはレーン・トゥ・レーン(L2L)のトポロジー推論(英語版)に重点を置いており、しばしばこれらのタスクを共同で最適化するためにレーン・トゥ・トラッフィック・エレメント(L2T)の関係をテキスト化している。 人間は自然に道路要素認識と接続性推論の文脈的関係を利用するので、リレーショナルモデリングは知覚と推論の両方に有益であると主張する。
  論文  参考訳（メタデータ） (2025-06-16T14:40:28Z)
• Topo2Seq: Enhanced Topology Reasoning via Topology Sequence Learning [26.59766596428789]
  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。
  論文  参考訳（メタデータ） (2025-02-13T05:21:02Z)
• Towards Robust and Realistic Human Pose Estimation via WiFi Signals [85.60557095666934]
  WiFiベースの人間のポーズ推定は、離散的で微妙なWiFi信号を人間の骨格にブリッジする難しいタスクである。 本論文は,本問題を再検討し,(1)ドメイン間ギャップ,(2)ソース・ターゲット領域のポーズ分布の顕著な変化,(2)骨格のポーズが歪んだトポロジーを示す構造的フィデリティギャップ,の2つの重要な問題を明らかにする。 本稿では,タスクをDT-Poseと呼ばれる新しい2段階のフレームワークに書き換えることで,これらのギャップを埋める:ドメイン一貫性表現学習とトポロジ制約ポスデコーディング。
  論文  参考訳（メタデータ） (2025-01-16T09:38:22Z)
• 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)
• 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)
• 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)

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。