論文の概要: From Static to Dynamic: a Survey of Topology-Aware Perception in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2509.23641v1
• Date: Sun, 28 Sep 2025 04:47:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.345835
• Title: From Static to Dynamic: a Survey of Topology-Aware Perception in Autonomous Driving
• Title（参考訳）: 静的から動的へ:自律運転におけるトポロジ認識の実態調査
• Authors: Yixiao Chen, Ruining Yang, Xin Chen, Jia He, Dongliang Xu, Yue Yao,
• Abstract要約: 自律運転を実現するための鍵は、トポロジーを意識した認識にある。 静的な事前構築された地図からダイナミックなセンサー駆動の知覚へのシフトを観察する。 より適応的でスケーラブルで説明可能な自律運転システムを実現するための道を開いたのです。
• 参考スコア（独自算出の注目度）: 15.697462339824474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The key to achieving autonomous driving lies in topology-aware perception, the structured understanding of the driving environment with an emphasis on lane topology and road semantics. This survey systematically reviews four core research directions under this theme: vectorized map construction, topological structure modeling, prior knowledge fusion, and language model-based perception. Across these directions, we observe a unifying trend: a paradigm shift from static, pre-built maps to dynamic, sensor-driven perception. Specifically, traditional static maps have provided semantic context for autonomous systems. However, they are costly to construct, difficult to update in real time, and lack generalization across regions, limiting their scalability. In contrast, dynamic representations leverage on-board sensor data for real-time map construction and topology reasoning. Each of the four research directions contributes to this shift through compact spatial modeling, semantic relational reasoning, robust domain knowledge integration, and multimodal scene understanding powered by pre-trained language models. Together, they pave the way for more adaptive, scalable, and explainable autonomous driving systems.
• Abstract（参考訳）: 自律運転を実現するための鍵は、車線トポロジと道路意味論に重点を置いた運転環境の構造的理解であるトポロジ認識にある。 本研究は,ベクトル化マップ構築,トポロジカル構造モデリング,事前知識融合,言語モデルに基づく知覚の4つの研究方向を体系的にレビューする。 静的な事前構築された地図からダイナミックなセンサー駆動の知覚へのパラダイムシフトである。 具体的には、従来の静的マップは自律システムに意味的コンテキストを提供してきた。 しかし、構築にコストがかかり、リアルタイムで更新するのが難しく、リージョン間の一般化が欠如しており、スケーラビリティが制限されている。 対照的に、動的表現は、リアルタイムマップ構築とトポロジー推論にオンボードセンサーデータを活用する。 4つの研究方向はそれぞれ、コンパクトな空間モデリング、セマンティックリレーショナル推論、堅牢なドメイン知識の統合、事前訓練された言語モデルによるマルチモーダルシーン理解を通じて、このシフトに寄与する。 彼らは同時に、より適応的でスケーラブルで説明可能な自動運転システムへの道を開いた。

関連論文リスト

• GASP: Unifying Geometric and Semantic Self-Supervised Pre-training for Autonomous Driving [12.889523014369884]
  本稿では,時空における任意の将来点を予測して統一表現を学習する幾何学的,意味論的自己教師型事前学習手法GASPを提案する。 実測値の代わりに幾何学的および意味論的4次元占有場をモデル化することにより、モデルは、時間を通して環境と環境の一般的な表現を学習する。
  論文  参考訳（メタデータ） (2025-03-19T20:00:27Z)
• InsightDrive: Insight Scene Representation for End-to-End Autonomous Driving [3.8737986316149775]
  我々はInsightDriveと呼ばれる新しいエンドツーエンドの自動運転手法を提案する。 言語誘導されたシーン表現によって知覚を整理する。 実験では、InsightDriveはエンドツーエンドの自動運転において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-17T10:52:32Z)
• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
  大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。 本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-02T07:23:33Z)
• Exploring Contextual Representation and Multi-Modality for End-to-End Autonomous Driving [58.879758550901364]
  最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。 我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。 提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
  論文  参考訳（メタデータ） (2022-10-13T05:56:20Z)
• Improving Generalization of Transfer Learning Across Domains Using Spatio-Temporal Features in Autonomous Driving [45.655433907239804]
  車両シミュレーションは仮想世界で学習するために使用することができ、取得したスキルは現実世界のシナリオを扱うために転送することができる。 これらの視覚的要素は、運転中の人間の意思決定に直感的に重要です。 シーンから車両の動特性を表す時間的特徴を抽出するCNN+LSTM転送学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-15T03:26:06Z)
• Learning to Move with Affordance Maps [57.198806691838364]
  物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。 従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。 学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
  論文  参考訳（メタデータ） (2020-01-08T04:05:11Z)

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。