論文の概要: ControlMap: Controllable High-Definition Map Generation for Traffic Scenario Simulation
- arxiv url: http://arxiv.org/abs/2606.15930v1
- Date: Sun, 14 Jun 2026 17:12:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 18:36:04.932929
- Title: ControlMap: Controllable High-Definition Map Generation for Traffic Scenario Simulation
- Title（参考訳）: ControlMap:交通シナリオシミュレーションのための制御可能な高精細マップ生成
- Abstract要約: 本稿では遅延拡散と制御ネットを用いた制御可能なHDマップ生成のためのデータ駆動パイプラインを提案する。
我々の知る限り、我々はHDマップ合成のための拡散モデルに空間誘導信号を初めて注入した人物である。
実験により,都市特有の詳細を正確に保存しつつ,入力道路トポロジを忠実に追従する現実的なHDマップが得られた。
- 参考スコア（独自算出の注目度）: 2.6558203733386225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulation is central to validating autonomous driving systems, yet current pipelines are limited by insufficient scenario diversity due to costly High Definition (HD) map creation. Scaling HD maps requires expensive data collection and manual processing. Moreover, existing generative models lack the fine-grained control necessary to target specific road topologies during generation. This paper presents a data-driven pipeline for controllable HD map generation using latent diffusion and ControlNet for spatial conditioning. To our knowledge, we are the first to inject spatial guidance signals into a diffusion model for HD map synthesis. Furthermore, our model supports adjustable conditioning strength through classifier-free guidance and city-level style transfer via city label conditioning. To complement existing metrics, we introduce two novel metrics to evaluate adherence to the control signal and similarity to ground-truth maps. Experiments demonstrate that our model generates realistic HD maps that faithfully follow input road topologies while accurately preserving city-specific details.
- Abstract（参考訳）: シミュレーションは自律運転システムの検証の中心であるが、現在のパイプラインはコストの高い高定義(HD)マップの作成によるシナリオの多様性の不足によって制限されている。
HDマップのスケーリングには、高価なデータ収集と手作業による処理が必要である。
さらに、既存の生成モデルは、生成中の特定の道路トポロジをターゲットとするために必要なきめ細かい制御を欠いている。
本稿では、遅延拡散を用いた制御可能なHDマップ生成のためのデータ駆動パイプラインと空間条件制御のための制御ネットを提案する。
我々の知る限り、我々はHDマップ合成のための拡散モデルに空間誘導信号を初めて注入した人物である。
さらに, このモデルでは, 分類自由誘導による調整可能な条件付け強度と, 都市ラベルの条件付けによる都市レベルの移動を支援する。
既存の測度を補完するために,制御信号の付着度と接地トラスマップとの類似性を評価するための2つの新しい測度を導入する。
実験により,都市特有の詳細を正確に保存しつつ,入力道路トポロジを忠実に追従する現実的なHDマップが得られた。
関連論文リスト
- Geo-Data-Driven HD Map Generation Workflow with Integrated Reference-Free Constraint-Based Verification [4.735259292476909]
ハイデフィニション(HD)マップは自動走行システムのコアアーティファクトであるが、その生成は一般的にセンサー集約型のモバイルマッピングキャンペーンに依存している。
本稿では,表現レベル検証を統合したHDマップ生成のためのエンジニアリング指向のジオデータ駆動ワークフローを提案する。
論文 参考訳（メタデータ） (2026-05-18T09:08:56Z) - 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) - Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。
Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。
高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
論文 参考訳（メタデータ） (2025-10-27T03:52:45Z) - Coherent Online Road Topology Estimation and Reasoning with Standard-Definition Maps [26.036008442130587]
ほとんどの自動運転車はHD(High-Definition)マップの可用性に依存している。
現在の研究は、搭載センサーからHDマップ要素を直接予測することで、この制約に対処することを目的としている。
本稿では,道路境界だけでなく,レーンセグメントとその対応するトポロジを予測するためのコヒーレントなアプローチを提案する。
論文 参考訳（メタデータ） (2025-07-02T06:26:17Z) - 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) - 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) - SSMG: Spatial-Semantic Map Guided Diffusion Model for Free-form
Layout-to-Image Generation [68.42476385214785]
本稿では,レイアウトから派生した特徴写像を用いた空間意味マップガイド(SSMG)拡散モデルを提案する。
SSMGは,従来の研究に比べて空間的,意味的な制御性に優れた生成品質を実現する。
また,RSA(Relation-Sensitive Attention)機構とLSA(Location-Sensitive Attention)機構を提案する。
論文 参考訳（メタデータ） (2023-08-20T04:09:12Z) - 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) - 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) - Trajectory Prediction for Autonomous Driving with Topometric Map [10.831436392239585]
最先端の自動運転システムは、ローカライゼーションとナビゲーションのための高定義(HD)マップに依存している。
マップレス自動運転のためのエンドツーエンドトランスネットワークベースのアプローチを提案する。
論文 参考訳（メタデータ） (2021-05-09T08:16:16Z)
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。