論文の概要: Unified Map Prior Encoder for Mapping and Planning

• arxiv url: http://arxiv.org/abs/2605.02762v1
• Date: Mon, 04 May 2026 16:01:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.394972
• Title: Unified Map Prior Encoder for Mapping and Planning
• Title（参考訳）: 地図と計画のための統一マッププリエンコーダ
• Abstract要約: UMPE(Unified Map Prior)は、4つの事前のサブセットを取り込み、マッピングと計画の両方にBEV機能を組み込むことができる。 UMPE は軌道誤差を平均で 0.72 から 0.42 m L2 (-0.30 m) に減少させ、衝突速度は 0.22% から 0.12% (-0.10%) に低下させる これらの結果から,不均一なマップ事前の統一的アライメント対応処理により,より優れたマッピングとより良い計画が得られた。
• 参考スコア（独自算出の注目度）: 25.536411411026418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online mapping and end-to-end (E2E) planning in autonomous driving remain largely sensor-centric, leaving rich map priors, including HD/SD vector maps, rasterized SD maps, and satellite imagery, underused because of heterogeneity, pose drift, and inconsistent availability at test time. We present UMPE, a Unified Map Prior Encoder that can ingest any subset of four priors and fuse them with BEV features for both mapping and planning. UMPE has two branches. The vector encoder pre-aligns HD/SD polylines with a frame-wise SE(2) correction, encodes points via multi-frequency sinusoidal features, and produces polyline tokens with confidence scores. BEV queries then apply cross-attention with confidence bias, followed by normalized channel-wise gating to avoid length imbalance and softly down-weight uncertain sources. The raster encoder shares a ResNet-18 backbone conditioned by FiLM with scaling and shift at every stage, performs SE(2) micro-alignment, and injects priors through zero-initialized residual fusion, so the network starts from a do-no-harm baseline and learns to add only useful prior evidence. A vector-then-raster fusion order reflects the inductive bias of geometry first, appearance second. On nuScenes mapping, UMPE lifts MapTRv2 from 61.5 to 67.4 mAP (+5.9) and MapQR from 66.4 to 71.7 mAP (+5.3). On Argoverse2, UMPE adds +4.1 mAP over strong baselines. UMPE is compositional: when trained with all priors, it outperforms single-prior models even when only one prior is available at test time, demonstrating powerset robustness. For E2E planning with the VAD backbone on nuScenes, UMPE reduces trajectory error from 0.72 to 0.42 m L2 on average (-0.30 m) and collision rate from 0.22% to 0.12% (-0.10%), surpassing recent prior-injection methods. These results show that a unified, alignment-aware treatment of heterogeneous map priors yields better mapping and better planning.
• Abstract（参考訳）: 自動運転におけるオンラインマッピングとエンド・ツー・エンド(E2E)計画は、主にセンサー中心であり、HD/SDベクトルマップ、ラスタライズされたSDマップ、衛星画像など、テスト時に不均一性、ドリフト、一貫性のない可用性のために未使用のままである。 UMPE(Unified Map Prior Encoder)は、4つのプリミティブのサブセットを取り込み、マッピングと計画の両方のためにBEV機能と融合できる。 UMPEには2つの枝がある。 ベクトルエンコーダは、フレームワイズSE(2)補正でHD/SDポリラインを事前調整し、多周波数正弦波特徴を介してポイントを符号化し、信頼スコア付きポリライントークンを生成する。 BEVクエリは、信頼性バイアスを伴うクロスアテンションを適用し、続いて正規化されたチャネルワイドゲーティングにより、長さ不均衡や軟弱な不確実なソースを回避する。 ラスターエンコーダは、FiLMによって条件付けられたResNet-18のバックボーンを共有し、各段階でスケーリングとシフトを行い、SE(2)のマイクロアライメントを実行し、ゼロ初期化残差核融合によって前者を注入する。 ベクトル-テン-ラスター融合順序は、幾何学の帰納バイアスを第1、第2に反映する。 nuScenes マッピングでは、UMPE は MapTRv2 を 61.5 から 67.4 mAP (+5.9) に、MapQR を 66.4 から 71.7 mAP (+5.3) に引き上げる。 Argoverse2では、UMPEは強基線上に+4.1 mAPを付加する。 UMPEは構成的であり、すべての事前でトレーニングされた場合、テスト時に1つの事前が利用可能であったとしても、単一プライオリティモデルよりも優れ、パワーセットの堅牢性を示す。 nuScenes上のVADバックボーンを用いたE2E計画では、UMPEは軌道誤差を平均(-0.30m)で0.72から0.42m L2、衝突速度を0.22%から0.12%(-0.10%)に減らし、最近の先行噴射法を上回っている。 これらの結果から,不均一なマップ事前の統一的アライメント対応処理により,より優れたマッピングとより良い計画が得られた。

関連論文リスト

• Off-Manifold Refinement: Guiding Video Generators with a Frozen World Model [2.4870727053423236]
  Off-Manifold Refinement (OMR)は、単一のサンプリング軌道に直接ワールドモデルフィードバックを注入する推論時間法である。 固定された400-prompt VideoPhy-2の詳細部分集合では、OMRはSemantic-Adherence-and-Physical-Commonsenseを47.0%から52.0%に引き上げる。
  論文  参考訳（メタデータ） (2026-08-30T17:00:09Z)
• LeVJEPA: Efficient & Scalable Video Pretraining without the Heuristics [50.45297537821907]
  我々はLeJEPAの崩壊のない目的の下で訓練された最初のビデオエンコーダLeVJEPAを紹介する。 単一のエンコーダは、クリップのグローバルおよびローカルビューよりも分散損失で訓練される。 LeVJEPAはV-JEPA 2とVT-S/B/Lの5.6から20.8倍の速さで一致または超える。
  論文  参考訳（メタデータ） (2026-08-27T17:26:24Z)
• PPAPlace: Differentiable Cross-Stage Objectives for Chip Placement Optimization [2.2317677777799063]
  マクロ配置は、チップのポストルート性能、パワー、面積(PPA)に大きく影響する 最近のベンチマークでは、HPWLと最悪の負のスラック(WNS)や全負のスラック(TNS)といったルート後タイミングメトリクスのほぼゼロの相関が示されている。 既存の方法はマクロのみの表現にフォーカスし、トレーニングラベルとして事前ルートメトリクスを使用する。 PPAPlaceは、マクロおよび標準セル配置から経路後PPAを予測するタイミング駆動の微分可能なサロゲートである。
  論文  参考訳（メタデータ） (2026-08-13T21:50:07Z)
• UAV-MapFusion: RTK-Aligned Uncertainty-Aware Coarse-to-Fine Multi-Session UAV Mapping [10.494473889988074]
  大規模クラウドマップはロボット工学や空間知能のタスクに不可欠である。 飛行耐久力の制限と搭載ストレージのため、1回の飛行で大規模なシーンをマッピングすることは依然として困難である。 既存のマルチセッションマップマージ手法はマッピング範囲を拡張できるが、UAVのシナリオでは、長距離ドリフトを同時に抑制し、局所的な幾何学的精度を維持するのに苦労している。
  論文  参考訳（メタデータ） (2026-06-25T12:03:29Z)
• Pre-Warm: Input-Conditioned Weight Initialization for Convolutional Neural Networks [0.0]
  Pre-Warmは、単一のトレーニングバッチから平均中心のローカルパッチを抽出する。 それらをMiniKMeansでクラスタし、逆マンハッタン空間重み付けを適用し、その結果のセントロイドを使って第1層フィルタの半分を初期化する。
  論文  参考訳（メタデータ） (2026-06-24T00:27:53Z)
• Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
  ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。 2次元空間伝搬伝搬に基づくC-GSPNを提案する。
  論文  参考訳（メタデータ） (2026-05-30T14:29:43Z)
• Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
  フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。 終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。 EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
  論文  参考訳（メタデータ） (2026-05-15T16:11:10Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• OptiMVMap: Offline Vectorized Map Construction via Optimal Multi-vehicle Perspectives [111.69010751405368]
  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。
  論文  参考訳（メタデータ） (2026-04-18T20:23:27Z)
• GSPN-2: Efficient Parallel Sequence Modeling [101.33780567131716]
  一般化空間伝搬ネットワーク(GSPN)は2次自己アテンションを直線走査型伝搬方式に置き換えることでこの問題に対処する。 GSPN-2は、視覚アプリケーションにおけるグローバル空間コンテキストをモデル化するための新しい効率フロンティアを確立する。
  論文  参考訳（メタデータ） (2025-11-28T07:26:45Z)
• Driving with Prior Maps: Unified Vector Prior Encoding for Autonomous Vehicle Mapping [18.97422977086127]
  高精細マップ(HDマップ)は、自動運転車の正確なナビゲーションと意思決定に不可欠である。 オンボードセンサーを用いたHDマップのオンライン構築が有望なソリューションとして浮上した。 本稿では,事前マップのパワーを活用して,これらの制約に対処するPresidedDriveフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-09T06:17:46Z)
• PriorMapNet: Enhancing Online Vectorized HD Map Construction with Priors [15.475364300374403]
  先行データを用いたオンラインベクトル化HDマップ構築を強化するために,PreferMapNetを導入する。 提案したPreferMapNetは,nuScenesおよびArgoverse2データセット上でのオンラインベクトル化HDマップ構築タスクにおいて,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-08-16T15:26:23Z)
• High-pass filtered fidelity-imposed network edit (HP-FINE) for robust quantitative susceptibility mapping from high-pass filtered phase [6.5608212450278005]
  HP-FINEと呼ばれるネットワークファインチューニングステップが提案されている。 低周波保存正則化を用いた高域通過フィルタフォワードモデルに基づく。
  論文  参考訳（メタデータ） (2023-05-05T20:47:42Z)
• Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
  我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。 PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。 広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
  論文  参考訳（メタデータ） (2023-01-31T16:43:53Z)
• Enhanced Laser-Scan Matching with Online Error Estimation for Highway and Tunnel Driving [0.0]
  Lidarデータは、自動運転車やモバイルロボットプラットフォームのナビゲーションのためのポイントクラウドを生成するために使用できる。 本稿では,2つの新しい改良点を提供するスキャンマッチングアルゴリズムであるIterative Closest Ellipsoidal Transform (ICET)を提案する。
  論文  参考訳（メタデータ） (2022-07-29T13:42:32Z)

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。