論文の概要: Persistent Autoregressive Mapping with Traffic Rules for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2509.22756v1
• Date: Fri, 26 Sep 2025 09:33:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:18.856658
• Title: Persistent Autoregressive Mapping with Traffic Rules for Autonomous Driving
• Title（参考訳）: 自動走行のための交通ルール付き永続的自己回帰マッピング
• Authors: Shiyi Liang, Xinyuan Chang, Changjie Wu, Huiyuan Yan, Yifan Bai, Xinran Liu, Hang Zhang, Yujian Yuan, Shuang Zeng, Mu Xu, Xing Wei,
• Abstract要約: PAMR(Persistent Autoregressive Mapping with Traffic Rules)は、車線ベクトルと交通ルールの自己回帰協調構築を行う新しいフレームワークである。 提案手法では,時間セグメント内のシーンの処理を行うMap-Rule Co-Constructionと,ルール一貫性を維持するMap-Rule Cacheという2つの重要なメカニズムを導入している。
• 参考スコア（独自算出の注目度）: 20.07038318208438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Safe autonomous driving requires both accurate HD map construction and persistent awareness of traffic rules, even when their associated signs are no longer visible. However, existing methods either focus solely on geometric elements or treat rules as temporary classifications, failing to capture their persistent effectiveness across extended driving sequences. In this paper, we present PAMR (Persistent Autoregressive Mapping with Traffic Rules), a novel framework that performs autoregressive co-construction of lane vectors and traffic rules from visual observations. Our approach introduces two key mechanisms: Map-Rule Co-Construction for processing driving scenes in temporal segments, and Map-Rule Cache for maintaining rule consistency across these segments. To properly evaluate continuous and consistent map generation, we develop MapDRv2, featuring improved lane geometry annotations. Extensive experiments demonstrate that PAMR achieves superior performance in joint vector-rule mapping tasks, while maintaining persistent rule effectiveness throughout extended driving sequences.
• Abstract（参考訳）: 安全な自動運転には、正確なHDマップの構築と交通規則の持続的な認識の両方が必要である。 しかし、既存の手法は、幾何学的要素のみに焦点をあてたり、一時的な分類として規則を扱い、拡張された駆動シーケンスでその持続的な効果を捉えられなかったりしている。 本稿では,車線ベクトルと交通ルールの自己回帰協調構築を行う新しいフレームワークであるPAMR(Persistent Autoregressive Mapping with Traffic Rules)を提案する。 提案手法では,時間セグメント内のシーンの処理を行うMap-Rule Co-Constructionと,これらのセグメント間のルール一貫性を維持するMap-Rule Cacheという2つの重要なメカニズムを導入している。 連続かつ一貫したマップ生成を適切に評価するために,改良されたレーン幾何アノテーションを特徴とするMapDRv2を開発した。 広範囲にわたる実験により, PAMRは連続ベクトルルールマッピングタスクにおいて優れた性能を示しながら, 拡張駆動シーケンスを通して持続的な規則の有効性を維持した。

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)
• Inferring Driving Maps by Deep Learning-based Trail Map Extraction [5.381140012327021]
  ハイデフィニション(HD)マップは、運転シーンに関する広範囲かつ正確な環境情報を提供する。 最近の傾向は、オフラインマッピングからオンラインマッピングへ移行し、使用済みマップの可用性と現実性を確保している。 ドライバが非公式に使用する経路をマップ作成プロセスに統合する,新たなオフラインマッピング手法を提案する。
  論文  参考訳（メタデータ） (2025-05-15T13:09:19Z)
• Driving by the Rules: A Benchmark for Integrating Traffic Sign Regulations into Vectorized HD Map [15.57801519192153]
  交通標識から運転規則を抽出するためのデータセットであるMapDRを紹介する。 MapDRには1万ドル以上の注釈付きビデオクリップがあり、交通標識規則と車線との複雑な相関関係を捉えている。 交通標識規則の統合において重要なギャップを埋め、信頼性の高い自動運転システムの開発に寄与する。
  論文  参考訳（メタデータ） (2024-10-31T09:53:21Z)
• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• Improving Autonomous Vehicle Mapping and Navigation in Work Zones Using Crowdsourcing Vehicle Trajectories [7.5390770178143045]
  本稿では, クラウドソーシングトラジェクトリ情報をマッピングプロセスに導入し, ドライビング可能なエリアや交通ルールに対するCAVの理解を深めるプロトタイプを提案する。 提案手法は,人間運転情報のないSLAMと比較した。 提案手法は下流経路計画と車両制御モジュールとよく適合しており,CAVは運転規則に違反せず,純粋なSLAM法では達成できなかった。
  論文  参考訳（メタデータ） (2023-01-22T20:16:12Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• 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)
• Learning Lane Graph Representations for Motion Forecasting [92.88572392790623]
  生の地図データからレーングラフを構築し,地図構造を保存する。 我々は,アクター・トゥ・レーン,レーン・トゥ・レーン,レーン・トゥ・アクター,アクター・トゥ・アクターの4種類のインタラクションからなる融合ネットワークを利用する。 提案手法は,大規模Argoverse運動予測ベンチマークにおいて,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-27T17:59:49Z)

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。