論文の概要: OptiMVMap: Offline Vectorized Map Construction via Optimal Multi-vehicle Perspectives

• arxiv url: http://arxiv.org/abs/2604.17135v1
• Date: Sat, 18 Apr 2026 20:23:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.352485
• Title: OptiMVMap: Offline Vectorized Map Construction via Optimal Multi-vehicle Perspectives
• Title（参考訳）: OptiMVMap: 最適マルチサイクル視点によるオフラインベクトルマップ構築
• Authors: Zedong Dan, Zijie Wang, Wei Zhang, Xiangru Lin, Weiming Zhang, Xiao Tan, Jingdong Wang, Liang Lin, Guanbin Li,
• Abstract要約: オフラインベクトル化マップは、高精度の自動運転およびマッピングサービスの重要な基盤となっている。 既存のアプローチは、基本的に視点の不十分さに苦しむ1つのエゴ車軌道に大きく依存している。 本稿では,これらの課題に体系的に対処するために,多車種対応マップを選択型ヒューズ問題として再構成するOptiMVMapを提案する。
• 参考スコア（独自算出の注目度）: 111.69010751405368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Offline vectorized maps constitute critical infrastructure for high-precision autonomous driving and mapping services. Existing approaches rely predominantly on single ego-vehicle trajectories, which fundamentally suffer from viewpoint insufficiency: while memory-based methods extend observation time by aggregating ego-trajectory frames, they lack the spatial diversity needed to reveal occluded regions. Incorporating views from surrounding vehicles offers complementary perspectives, yet naive fusion introduces three key challenges: computational cost from large candidate pools, redundancy from near-collinear viewpoints, and noise from pose errors and occlusion artifacts. We present OptiMVMap, which reformulates multi-vehicle mapping as a select-then-fuse problem to address these challenges systematically. An Optimal Vehicle Selection (OVS) module strategically identifies a compact subset of helpers that maximally reduce ego-centric uncertainty in occluded regions, addressing computation and redundancy challenges. Cross-Vehicle Attention (CVA) and Semantic-aware Noise Filter (SNF) then perform pose-tolerant alignment and artifact suppression before BEV-level fusion, addressing the noise challenge. This targeted pipeline yields more complete and topologically faithful maps with substantially fewer views than indiscriminate aggregation. On nuScenes and Argoverse2, OptiMVMap improves MapTRv2 by +10.5 mAP and +9.3 mAP, respectively, and surpasses memory-augmented baselines MVMap and HRMapNet by +6.2 mAP and +3.8 mAP on nuScenes. These results demonstrate that uncertainty-guided selection of helper vehicles is essential for efficient and accurate multi-vehicle vectorized mapping. The code is released at https://github.com/DanZeDong/OptiMVMap.
• Abstract（参考訳）: オフラインベクトル化マップは、高精度の自動運転およびマッピングサービスにとって重要な基盤となっている。 メモリベースの手法は、エゴ軌道フレームを集約することで観測時間を延長するが、排他的領域を明らかにするのに必要な空間的多様性は欠如している。 周囲の車両からのビューを組み込むことは相補的な視点を提供するが、単純核融合は大きな候補プールからの計算コスト、ほぼ直線的な視点からの冗長性、ポーズエラーやオクルージョンアーティファクトからのノイズの3つの主要な課題をもたらす。 本稿では,これらの課題に体系的に対処するために,多車種対応マップを選択型ヒューズ問題として再構成するOptiMVMapを提案する。 OVS(Optimal Vehicle Selection)モジュールは、ブロックされた領域におけるエゴ中心の不確実性を最大に低減し、計算と冗長性の問題に対処するヘルパーのコンパクトなサブセットを戦略的に識別する。 CVA(Cross-Vehicle Attention)とSNF(Semantic-Aware Noise Filter)は、BEVレベル融合の前にポーズ耐性アライメントとアーティファクト抑制を行い、ノイズ問題に対処する。 この目的のパイプラインは、無差別集約よりもはるかに少ない視点で、より完全で位相的に忠実な写像を得る。 nuScenes と Argoverse2 では、OptiMVMap は MapTRv2 を+10.5 mAP と +9.3 mAP で改善し、メモリ拡張ベースライン MVMap と HRMapNet を +6.2 mAP と +3.8 mAP で上回っている。 これらの結果は、ヘルパー車両の不確実性誘導選択が、効率的かつ正確な多車ベクトル化マッピングに不可欠であることを示す。 コードはhttps://github.com/DanZeDong/OptiMVMap.comで公開されている。

関連論文リスト

• B$^2$F-Map: Crowd-sourced Mapping with Bayesian B-spline Fusion [9.192183071584381]
  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。
  論文  参考訳（メタデータ） (2026-03-02T10:01:00Z)
• 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)
• ADMap: Anti-disturbance framework for reconstructing online vectorized HD map [9.218463154577616]
  本稿では, 反ゆらぎマップ再構築フレームワーク (ADMap) を提案する。 点次ジッタを緩和するため、このフレームワークは、マルチスケール知覚ネック、インスタンスインタラクティブアテンション(IIA)、ベクトル方向差損失(VDDL)の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2024-01-24T01:37:27Z)
• 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)
• An Optimal Transport Perspective on Unpaired Image Super-Resolution [97.24140709634203]
  実世界の画像超解像(SR)タスクは、しばしばペア化されたデータセットを持たず、教師付き技術の適用を制限する。 このようなモデルで生じる最適化問題を調査し、2つの驚くべき観測結果を得る。 学習した写像が偏りがあること、すなわち、低解像度画像の分布を高解像度画像に変換するものではないことを実証し、実証的に示す。
  論文  参考訳（メタデータ） (2022-02-02T16:21:20Z)

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。