Fugu-MT 論文翻訳(概要): B$^2$F-Map: Crowd-sourced Mapping with Bayesian B-spline Fusion

論文の概要: B$^2$F-Map: Crowd-sourced Mapping with Bayesian B-spline Fusion

arxiv url: http://arxiv.org/abs/2603.01673v1
Date: Mon, 02 Mar 2026 10:01:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-23 08:17:41.821889
Title: B$^2$F-Map: Crowd-sourced Mapping with Bayesian B-spline Fusion
Title（参考訳）: B$^2$F-Map:Bayesian B-spline Fusionによるクラウドソースマッピング
Authors: Yiping Xie, Yuxuan Xia, Erik Stenborg, Junsheng Fu, Axel Beauvisage, Gabriel E. Garcia, Tianyu Wu, Gustaf Hendeby,
Abstract要約: クラウドソースマッピングは,従来の調査車両を使用したマップ作成に代わる,スケーラブルな代替手段を提供する。本稿では,単眼カメラ,コンシューマグレード,IMUのみを搭載した生産車を用いた,HDマップ生成のための完全なパイプラインを提案する。
参考スコア（独自算出の注目度）: 9.192183071584381
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Crowd-sourced mapping offers a scalable alternative to creating maps using traditional survey vehicles. Yet, existing methods either rely on prior high-definition (HD) maps or neglect uncertainties in the map fusion. In this work, we present a complete pipeline for HD map generation using production vehicles equipped only with a monocular camera, consumer-grade GNSS, and IMU. Our approach includes on-cloud localization using lightweight standard-definition maps, on-vehicle mapping via an extended object trajectory (EOT) Poisson multi-Bernoulli (PMB) filter with Gibbs sampling, and on-cloud multi-drive optimization and Bayesian map fusion. We represent the lane lines using B-splines, where each B-spline is parameterized by a sequence of Gaussian distributed control points, and propose a novel Bayesian fusion framework for B-spline trajectories with differing density representation, enabling principled handling of uncertainties. We evaluate our proposed approach, B$^2$F-Map, on large-scale real-world datasets collected across diverse driving conditions and demonstrate that our method is able to produce geometrically consistent lane-level maps.
Abstract（参考訳）: クラウドソースマッピングは,従来の調査車両を使用したマップ作成に代わる,スケーラブルな代替手段を提供する。しかし、既存の手法は、事前のハイデフィニション(HD)マップに依存するか、あるいはマップ融合の不確実性を無視している。本研究では,単眼カメラ,コンシューマグレードGNSS,IMUのみを搭載した生産車を用いた,HDマップ生成のための完全なパイプラインを提案する。我々のアプローチは、軽量標準定義マップを用いたクラウド上のローカライゼーション、拡張オブジェクト軌跡(EOT)ポアソンマルチベルヌーリ(PMB)フィルタによる車載マッピング、およびクラウド上でのマルチドライブ最適化とベイズマップの融合を含む。我々は, B-スプラインを用いて各B-スプラインをガウス分布制御点列でパラメータ化し, 密度表現の異なるB-スプライン軌道に対する新しいベイズ融合フレームワークを提案する。提案手法であるB$^2$F-Mapを,様々な運転条件で収集した大規模実世界のデータセット上で評価し,幾何学的に一貫したレーンレベルマップを作成可能であることを示す。

関連論文リスト

CSMapping: Scalable Crowdsourced Semantic Mapping and Topology Inference for Autonomous Driving [23.921417146230738]
CSMappingは正確なセマンティックマップとトポロジカル道路中心線を生成する。 nuScenes、Argoverse 2、および大規模プロプライエタリデータセットに関する実験は、最先端のセマンティクスとトポロジマッピングのパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-12-03T07:06:18Z)
DiffSemanticFusion: Semantic Raster BEV Fusion for Autonomous Driving via Online HD Map Diffusion [14.872416661028144]
軌道予測と計画のための融合フレームワークであるDiffSemanticFusionを提案する。提案手法は, マップ拡散モジュールにより拡張された意味融合型BEV空間に起因する。実世界の自動運転ベンチマークであるnuScenesとNAVSIMの実験では、最先端のいくつかの手法よりも性能が向上した。
論文参考訳（メタデータ） (2025-08-03T14:32:05Z)
MapExpert: Online HD Map Construction with Simple and Efficient Sparse Map Element Expert [7.086030137483952]
専門家によるオンラインHDマップ手法であるMapExpertを紹介した。 MapExpertは、ルータが配布するスパースの専門家を利用して、様々な非キュビックマップ要素を正確に記述します。
論文参考訳（メタデータ） (2024-12-17T09:19:44Z)
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)
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)
Augmenting Lane Perception and Topology Understanding with Standard Definition Navigation Maps [51.24861159115138]
Standard Definition (SD) マップは、より安価で、世界中でカバーでき、スケーラブルな代替手段を提供する。本稿では,オンライン地図予測にSDマップを統合する新しいフレームワークを提案し,Transformer を用いたエンコーダ SD Map Representations を提案する。この拡張は、現在の最先端のオンラインマップ予測手法におけるレーン検出とトポロジー予測を一貫して(最大60%まで)大幅に向上させる。
論文参考訳（メタデータ） (2023-11-07T15:42:22Z)
EgoVM: Achieving Precise Ego-Localization using Lightweight Vectorized Maps [9.450650025266379]
本稿では,従来の最先端手法に匹敵するローカライズ精度を実現するエンド・ツー・エンドのローカライズネットワークであるEgoVMを提案する。我々は、学習可能なセマンティック埋め込みを用いて、マップ要素のセマンティックタイプを符号化し、セマンティックセマンティックセグメンテーションでそれらを監督する。本研究では,頑健なヒストグラムに基づくポーズ解法を用いて,候補ポーズを徹底的に探索することで最適なポーズを推定する。
論文参考訳（メタデータ） (2023-07-18T06:07:25Z)
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)
NeMO: Neural Map Growing System for Spatiotemporal Fusion in Bird's-Eye-View and BDD-Map Benchmark [9.430779563669908]
視覚中心のBird's-Eye View表現は自律運転システムに不可欠である。この研究は、読みやすく、説明可能なビッグマップを利用してローカルマップを生成するための、NeMOという新しいパラダイムを概説する。すべてのBEVグリッドの特徴分布が同じパターンに従うと仮定して、すべてのグリッドに対して共有重み付きニューラルネットワークを採用して、ビッグマップを更新する。
論文参考訳（メタデータ） (2023-06-07T15:46:15Z)
BEVBert: Multimodal Map Pre-training for Language-guided Navigation [75.23388288113817]
視覚・言語ナビゲーション(VLN)における空間認識型マップベース事前学習パラダイムを提案する。我々は,グローバルなトポロジカルマップにおけるナビゲーション依存性をモデル化しながら,不完全な観測を明示的に集約し,重複を取り除くための局所距離マップを構築した。ハイブリッドマップをベースとして,マルチモーダルマップ表現を学習するための事前学習フレームワークを考案し,空間認識型クロスモーダル推論を強化し,言語誘導ナビゲーションの目標を導出する。
論文参考訳（メタデータ） (2022-12-08T16:27:54Z)

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。