論文の概要: GraphBEV++: Multi-Modal Feature Alignment for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2606.16354v1
- Date: Mon, 15 Jun 2026 07:50:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.163976
- Title: GraphBEV++: Multi-Modal Feature Alignment for Autonomous Driving
- Title（参考訳）: GraphBEV++: 自律運転のためのマルチモーダル機能アライメント
- Authors: Ziying Song, Caiyan Jia, Lin Liu, Shaoqing Xu, Lei Yang, Yadan Luo,
- Abstract要約: BEVの認識における特徴的ミスアライメントは、自動運転における重要な課題であるが、しばしば見過ごされがちな課題である。
本稿では,プロジェクションによるミスアライメントを系統的に緩和する,堅牢なマルチモーダル融合フレームワークGraphBEV++を提案する。
- 参考スコア（独自算出の注目度）: 30.796057505726925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Feature misalignment in BEV perception is a critical yet often overlooked challenge in autonomous driving, especially under calibration uncertainties between LiDAR and camera sensors. To address this issue, we propose a robust multi-modal fusion framework, GraphBEV++, which systematically mitigates projection-induced misalignment. The framework consists of two key modules: LocalAlign-v2 and GlobalAlign-v2. LocalAlign-v2 introduces neighborhood-aware depth features via graph matching to correct local misalignment. It supports both LSS-based and query-based BEV representations, making it compatible with BEVFusion and BEVFormer architectures for consistent cross-paradigm alignment. GlobalAlign-v2 encompasses two variants: Deformable and Diffusion. The Deformable variant addresses global misalignment in LSS-based multi-modal BEV by explicitly learning cross-modal feature offsets. In contrast, the Diffusion variant targets implicit misalignment in query-based BEV by injecting noise to simulate misalignment and employing a denoising process to recover aligned features. Experimental results show that GraphBEV++ achieves state-of-the-art performance under misalignment noise on nuScenes and Waymo subset, improves long-range detection on Argoverse2, and generalizes effectively to the 3D occupancy prediction task, consistently improving occupancy estimation accuracy and robustness under both clean and noisy settings. Furthermore, GraphBEV++ effectively alleviates misalignment issues in end-to-end autonomous driving. Compared with five baselines (UniAD, VAD, FusionAD, MomAD, and WoTE), it demonstrates superior performance in both open-loop (nuScenes) and closed-loop (Bench2Drive and NAVSIM) evaluations across perception, prediction, and planning tasks.
- Abstract（参考訳）: 特にLiDARとカメラセンサーのキャリブレーションの不確実性の下では、BEVの認識における特徴的不一致は、自動運転における重要な課題であり、しばしば見落とされがちである。
この問題に対処するため,我々は,プロジェクションによるミスアライメントを系統的に緩和する,堅牢なマルチモーダル融合フレームワークGraphBEV++を提案する。
このフレームワークは、LocalAlign-v2とGlobalAlign-v2の2つの主要なモジュールで構成されている。
LocalAlign-v2は、局所的なミスアライメントを修正するために、グラフマッチングを通じて、近隣認識の奥行き機能を導入している。
LSSベースのBEV表現とクエリベースのBEV表現の両方をサポートし、一貫したパラダイム間のアライメントのためにBEVFusionとBEVFormerアーキテクチャと互換性がある。
GlobalAlign-v2はDeformableとDiffusionの2つのバリエーションを含んでいる。
Deformable変種は、LSSベースのマルチモーダルBEVにおいて、クロスモーダル特徴オフセットを明示的に学習することで、グローバルなミスアライメントに対処する。
これとは対照的に、Diffusionの変種は、ノイズを注入して誤調整をシミュレートし、整列した特徴を回復するためにデノナイジングプロセスを採用することで、クエリベースのBEVにおける暗黙の誤調整をターゲットとしている。
実験結果から, GraphBEV++ は nuScenes と Waymo サブセットのミスアライメントノイズ下での最先端性能を実現し,Argoverse2 の長距離検出を改善し, 3D 占有率予測タスクに効果的に一般化し,クリーンかつノイズの多い設定下での占有率推定精度とロバスト性を一貫して向上することを示した。
さらに、GraphBEV++は、エンドツーエンドの自動運転におけるミスアライメント問題を効果的に軽減する。
UiAD、VAD、FusionAD、MomAD、WoTEの5つのベースラインと比較すると、認識、予測、計画タスクにわたるオープンループ(nuScenes)とクローズループ(Bench2DriveとNAVSIM)の評価において優れたパフォーマンスを示している。
関連論文リスト
- Bench2Drive-VL: Benchmarks for Closed-Loop Autonomous Driving with Vision-Language Models [50.22099309218635]
自律運転においては、閉ループ評価はオープンループ評価よりも信頼性の高い検証方法として広く認識されている。
本稿では,VLM駆動における閉ループ評価を実現するBench2Drive-VLについて述べる。
論文 参考訳（メタデータ） (2026-04-01T11:38:46Z) - DiffusionDriveV2: Reinforcement Learning-Constrained Truncated Diffusion Modeling in End-to-End Autonomous Driving [65.7087560656003]
エンドツーエンドの自動運転のための生成拡散モデルは、しばしばモード崩壊に悩まされる。
強化学習を利用して低品質モードを制約し,優れた軌道探索を行うDiffusionDriveV2を提案する。
これにより、そのコアであるガウス混合モデル固有の多重モード性を維持しながら、全体的な出力品質が大幅に向上する。
論文 参考訳（メタデータ） (2025-12-08T17:29:52Z) - Vehicle-to-Infrastructure Collaborative Spatial Perception via Multimodal Large Language Models [41.00138090010061]
大型言語モデル (MLLM) の限界を克服するために, 軽量でプラグアンドプレイの鳥眼ビュー (BEV) インジェクションコネクタを提案する。
レイトレーシングはRGB、LiDAR、GPS、無線信号データを様々なセンシングシナリオで生成するために開発された。
シミュレーションの結果,提案したBEVインジェクションフレームワークは全タスクのパフォーマンスを継続的に改善していることがわかった。
論文 参考訳（メタデータ） (2025-09-04T02:57:47Z) - Dual-Domain Homogeneous Fusion with Cross-Modal Mamba and Progressive Decoder for 3D Object Detection [12.77616717954945]
LiDARと同質なBEV領域における画像特徴の融合は、自律運転における3次元物体検出に人気がある。
しかし、このパラダイムは過剰な特徴圧縮によって制約される。
本稿では,これらの制約を克服するためのDual-Domain Homogeneous Fusion Network (DDHFusion)を提案する。
論文 参考訳（メタデータ） (2025-03-12T01:55:02Z) - GraphBEV: Towards Robust BEV Feature Alignment for Multi-Modal 3D Object Detection [18.21607858133675]
We propose a robust fusion framework called Graph BEV to integrate LiDAR and camera BEV features。
我々のフレームワークは、悪臭のある条件下で、BEV Fusionを8.3%上回っている。
論文 参考訳（メタデータ） (2024-03-18T15:00:38Z) - U-BEV: Height-aware Bird's-Eye-View Segmentation and Neural Map-based Relocalization [81.76044207714637]
GPS受信が不十分な場合やセンサベースのローカライゼーションが失敗する場合、インテリジェントな車両には再ローカライゼーションが不可欠である。
Bird's-Eye-View (BEV)セグメンテーションの最近の進歩は、局所的な景観の正確な推定を可能にする。
本稿では,U-NetにインスパイアされたアーキテクチャであるU-BEVについて述べる。
論文 参考訳（メタデータ） (2023-10-20T18:57:38Z) - X-Align++: cross-modal cross-view alignment for Bird's-eye-view
segmentation [44.58686493878629]
X-Alignは、BEVセグメンテーションのための新しいエンドツーエンドのクロスモーダルおよびクロスビュー学習フレームワークである。
X-Alignは、nuScenesとKITTI-360データセットの3つの絶対mIoUポイントにより、最先端を著しく上回る。
論文 参考訳（メタデータ） (2023-06-06T15:52:55Z) - X-Align: Cross-Modal Cross-View Alignment for Bird's-Eye-View
Segmentation [44.95630790801856]
X-Alignは、BEVセグメンテーションのための新しいエンドツーエンドのクロスモーダルおよびクロスビュー学習フレームワークである。
X-Align は nuScene 上で 3 つの絶対 mIoU 点によって最先端を著しく上回る。
論文 参考訳（メタデータ） (2022-10-13T06:42:46Z) - Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。
ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文 参考訳（メタデータ） (2021-03-18T08:47:56Z) - Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。
IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。
IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
論文 参考訳（メタデータ） (2021-03-02T08:20:08Z) - LiDAR-based Panoptic Segmentation via Dynamic Shifting Network [56.71765153629892]
LiDARベースのパノプティカルセグメンテーションは、オブジェクトとシーンを統一的に解析することを目的としている。
本稿では,ポイントクラウド領域における効果的な単視分割フレームワークとして機能する動的シフトネットワーク(DS-Net)を提案する。
提案するDS-Netは,現在の最先端手法よりも優れた精度を実現する。
論文 参考訳（メタデータ） (2020-11-24T08:44:46Z)
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。