論文の概要: MapRF: Weakly Supervised Online HD Map Construction via NeRF-Guided Self-Training

• arxiv url: http://arxiv.org/abs/2511.19527v1
• Date: Mon, 24 Nov 2025 07:23:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.075291
• Title: MapRF: Weakly Supervised Online HD Map Construction via NeRF-Guided Self-Training
• Title（参考訳）: MapRF:NeRF誘導によるオンラインHDマップ構築を監督
• Authors: Hongyu Lyu, Thomas Monninger, Julie Stephany Berrio Perez, Mao Shan, Zhenxing Ming, Stewart Worrall,
• Abstract要約: MapRFは弱い教師付きフレームワークであり、2Dイメージラベルのみを使用して3Dマップを構築することを学ぶ。 自己学習中の誤差蓄積を軽減するため,マップ・ツー・レイマッチング方式を提案する。
• 参考スコア（独自算出の注目度）: 6.6099504578472414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous driving systems benefit from high-definition (HD) maps that provide critical information about road infrastructure. The online construction of HD maps offers a scalable approach to generate local maps from on-board sensors. However, existing methods typically rely on costly 3D map annotations for training, which limits their generalization and scalability across diverse driving environments. In this work, we propose MapRF, a weakly supervised framework that learns to construct 3D maps using only 2D image labels. To generate high-quality pseudo labels, we introduce a novel Neural Radiance Fields (NeRF) module conditioned on map predictions, which reconstructs view-consistent 3D geometry and semantics. These pseudo labels are then iteratively used to refine the map network in a self-training manner, enabling progressive improvement without additional supervision. Furthermore, to mitigate error accumulation during self-training, we propose a Map-to-Ray Matching strategy that aligns map predictions with camera rays derived from 2D labels. Extensive experiments on the Argoverse 2 and nuScenes datasets demonstrate that MapRF achieves performance comparable to fully supervised methods, attaining around 75% of the baseline while surpassing several approaches using only 2D labels. This highlights the potential of MapRF to enable scalable and cost-effective online HD map construction for autonomous driving.
• Abstract（参考訳）: 自律運転システムは、道路インフラに関する重要な情報を提供する高精細(HD)マップの恩恵を受ける。 HDマップのオンライン構築は、オンボードセンサーからローカルマップを生成するためのスケーラブルなアプローチを提供する。 しかし、既存の手法は訓練に費用がかかる3Dマップアノテーションに依存しており、様々な運転環境における一般化とスケーラビリティを制限している。 本研究では2次元画像ラベルのみを用いて3次元マップを構築することを学ぶ弱教師付きフレームワークであるMapRFを提案する。 高品質な擬似ラベルを生成するために,マップ予測を前提とした新しいニューラルラジアンス・フィールド (NeRF) モジュールを導入する。 これらの擬似ラベルは、マップネットワークを自己学習的に洗練するために反復的に使用され、追加の監督なしに進歩的な改善を可能にする。 さらに, 自己学習中の誤差蓄積を軽減するため, 2次元ラベルから得られたカメラ線と地図予測を一致させるMap-to-Ray Matching戦略を提案する。 Argoverse 2とnuScenesデータセットの大規模な実験は、MapRFが完全に教師されたメソッドに匹敵するパフォーマンスを実現し、ベースラインの75%を達成し、2Dラベルだけでいくつかのアプローチを超越していることを示している。 これはMapRFが、スケーラブルで費用対効果の高いオンラインHDマップ構築を自律運転で実現する可能性を強調している。

関連論文リスト

• RTMap: Real-Time Recursive Mapping with Change Detection and Localization [8.343318095882232]
  RTMapは、自己進化メモリとして、マルチトラバースHDマップを継続的にクラウドソーシングする。 オンボードエージェントでは、RTMapはエンドツーエンドの方法で、同時に3つのコア課題に対処する。 いくつかの公道自動運転データセットの実験は、事前支援された地図の品質と位置決め精度の両方において、我々の確固たる性能を実証している。
  論文  参考訳（メタデータ） (2025-07-01T17:32:30Z)
• 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)
• GenMapping: Unleashing the Potential of Inverse Perspective Mapping for Robust Online HD Map Construction [20.1127163541618]
  我々はGenMappingというユニバーサルマップ生成フレームワークを設計した。 このフレームワークは、主および二重補助枝を含む三進的なシナジーアーキテクチャで構築されている。 実験結果の網羅的な配列から,提案手法はセマンティックマッピングとベクトル化マッピングの両方において最先端の手法を超越し,高速な推論速度を維持した。
  論文  参考訳（メタデータ） (2024-09-13T10:15:28Z)
• Online Map Vectorization for Autonomous Driving: A Rasterization Perspective [58.71769343511168]
  より優れた感度を有し,現実の自律運転シナリオに適した,新化に基づく評価指標を提案する。 また、精度の高い出力に微分可能化を適用し、HDマップの幾何学的監視を行う新しいフレームワークであるMapVR(Map Vectorization via Rasterization)を提案する。
  論文  参考訳（メタデータ） (2023-06-18T08:51:14Z)
• InstaGraM: Instance-level Graph Modeling for Vectorized HD Map Learning [8.556482588459899]
  オンラインハイデフィニション(HD)マップ構築は、ポーズの正確な推定において重要な役割を果たす。 オンラインHDマップ構築の最近の進歩は、ベクトル化表現について主に研究されている。 グラフモデリングを利用した新しいHDマップ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-10T08:15:35Z)
• HDMapNet: An Online HD Map Construction and Evaluation Framework [23.19001503634617]
  HDマップの構築は自動運転にとって重要な問題である。 従来のHDマップは、多くのシナリオでは信頼性の低いセンチメートルレベルの正確な位置決めと結合している。 オンライン地図学習は、自動運転車に先立って意味と幾何学を提供するための、よりスケーラブルな方法である。
  論文  参考訳（メタデータ） (2021-07-13T18:06:46Z)
• HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
  HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。 実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。 高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
  論文  参考訳（メタデータ） (2021-06-28T17:59:30Z)
• MP3: A Unified Model to Map, Perceive, Predict and Plan [84.07678019017644]
  MP3は、入力が生のセンサーデータと高レベルのコマンドであるマップレス運転に対するエンドツーエンドのアプローチである。 提案手法は, より安全で, 快適であり, 長期クローズループシミュレーションにおいて, ベースラインよりもコマンドを追従できることを示す。
  論文  参考訳（メタデータ） (2021-01-18T00:09:30Z)
• HDNET: Exploiting HD Maps for 3D Object Detection [99.49035895393934]
  高精細度(hd)マップは、現代の3dオブジェクト検出器の性能と頑健性を高める強力な事前情報を提供する。 我々はHDマップから幾何学的特徴と意味的特徴を抽出する単一ステージ検出器を設計する。 地図は至る所では利用できないため、生のLiDARデータからフライ時の地図を推定するマップ予測モジュールも提案する。
  論文  参考訳（メタデータ） (2020-12-21T21:59:54Z)

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。