論文の概要: ARETE: Attention-based Rasterized Encoding for Topology Estimation using HSV-transformed Crowdsourced Vehicle Fleet Data

• arxiv url: http://arxiv.org/abs/2604.24353v1
• Date: Mon, 27 Apr 2026 11:47:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.957982
• Title: ARETE: Attention-based Rasterized Encoding for Topology Estimation using HSV-transformed Crowdsourced Vehicle Fleet Data
• Title（参考訳）: ARETE:HSV変換クラウドソーシング車両データを用いたトポロジ推定のためのアテンションベースラスタライズドエンコーディング
• Authors: Daniel Fritz, Dimitrios Lagamtzis, Michael Mink, Markus Enzweiler, Steffen Schober,
• Abstract要約: 有望なアプローチの1つは、道路トポロジと車線レベルの特徴を表す、車両隊からのクラウドソースデータを使用することである。 本研究では,車両軌跡のタイル化表現を入力として,ベクトル化された車線表現を予測するための検出変換器(DETR)ベースの手法を採用する。 実験は、内部データセットと、公開データセットであるnuScenesとnuPlanで実施される。
• 参考スコア（独自算出の注目度）: 1.5146068448101744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The continuous advancement of autonomous driving (AD) introduces challenges across multiple disciplines to ensure safe and efficient driving. One such challenge is the generation of High-Definition (HD) maps, which must remain up to date and highly accurate for downstream automotive tasks. One promising approach is the use of crowdsourced data from a vehicle fleet, representing road topology and lane-level features. This work focuses on the generation of centerlines and lane dividers from crowdsourced vehicle trajectories. We adopt a Detection Transformer (DETR)-based approach, where a rasterized representation of vehicle trajectories is used as input to predict vectorized lane representations. Each lane consists of a centerline with an associated direction and corresponding lane dividers that are geometrically constrained by the centerline. Our method includes the extraction of local tiles, from which crowdsourced vehicle trajectories are aggregated. Each tile undergoes a transformation into a rasterized representation encoding both the presence and direction of each trajectory, enabling the prediction of vectorized directed lanes. Experiments are conducted on an internal dataset as well as on the public datasets nuScenes and nuPlan.
• Abstract（参考訳）: 自律運転(AD)の継続的な進歩は、安全かつ効率的な運転を保証するために、複数の分野にわたる課題をもたらす。 このような課題の1つはハイディフィニション(HD)マップの生成である。 有望なアプローチの1つは、道路トポロジと車線レベルの特徴を表す、車両隊からのクラウドソースデータを使用することである。 この研究は、クラウドソーシングされた車両軌道から中心線と車線分割器を生成することに焦点を当てている。 車両軌跡のラスタ化表現を入力として,ベクトル化された車線表現を予測するための検出変換器(DETR)ベースの手法を採用する。 各車線は、対応する方向の中央線と、その中心線によって幾何学的に制約される対応する車線分割器から構成される。 本手法は,クラウドソーシングされた車両軌道を集約した局所タイルの抽出を含む。 各タイルは、各軌道の存在と方向の両方をコードするラスタ化表現に変換され、ベクトル化された有向車線を予測できる。 実験は、内部データセットと、公開データセットであるnuScenesとnuPlanで実施される。

関連論文リスト

• InterLoc: LiDAR-based Intersection Localization using Road Segmentation with Automated Evaluation Method [10.561470037080177]
  オンライン車両中心の交差点位置決めのための新しいLiDAR方式を提案する。 我々は,鳥の視線(BEV)表現における交叉候補を,意味的道路スキャンを連結して検出する。 セマンティックKITTITIデータセットの実験から,本手法は最新の学習ベースラインよりも精度と信頼性が優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-01T13:30:28Z)
• Spatial Temporal Attention based Target Vehicle Trajectory Prediction for Internet of Vehicles [4.1268583353286]
  本研究は、車両軌道予測ターゲット(VTPred)の時空間注意に基づく手法を提案する。 車両軌道を向き付けられたグラフにマッピングし、その後、グラフ注意ネットワーク(GAT)を介して空間特性を抽出する。 トランスフォーマー技術は、シーケンスから時間的特徴を得るために使われ、正確な軌道予測をもたらす。
  論文  参考訳（メタデータ） (2025-01-01T16:37:24Z)
• 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)
• LMT-Net: Lane Model Transformer Network for Automated HD Mapping from Sparse Vehicle Observations [11.395749549636868]
  Lane Model Transformer Network (LMT-Net) は、エンコーダとデコーダのニューラルネットワークアーキテクチャであり、ポリリン符号化を実行し、レーンペアとその接続性を予測する。 我々は、複数の車両観測と、地上真実(GT)としての人間のアノテーションからなる内部データセット上でのLMT-Netの性能を評価する。
  論文  参考訳（メタデータ） (2024-09-19T02:14:35Z)
• Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
  RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。 データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• HDGT: Heterogeneous Driving Graph Transformer for Multi-Agent Trajectory Prediction via Scene Encoding [76.9165845362574]
  運転シーンをノードやエッジの異なる異種グラフとしてモデル化するバックボーンを提案する。 空間的関係符号化では、ノードの座標とエッジの座標は局所ノード中心座標系に含まれる。 実験結果から,HDGTは軌道予測のタスクに対して最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2022-04-30T07:08:30Z)
• OffRoadTranSeg: Semi-Supervised Segmentation using Transformers on OffRoad environments [0.0]
  OffRoadTranSegは、非構造屋外環境における半教師付きセグメンテーションのための最初のエンドツーエンドフレームワークである。 提案手法はRELLIS-3DおよびRUGDオフロードデータセット上で検証される。
  論文  参考訳（メタデータ） (2021-06-26T08:05:09Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)

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。