論文の概要: D2HDMap: Non-visible Driveline Map Prior for Online Vectorized HD Map Prediction

• arxiv url: http://arxiv.org/abs/2606.20725v1
• Date: Wed, 17 Jun 2026 00:05:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 13:31:26.633873
• Title: D2HDMap: Non-visible Driveline Map Prior for Online Vectorized HD Map Prediction
• Title（参考訳）: D2HDMap: オンラインベクトル化HDマップ予測に先立つ非可視ドライブラインマップ
• Authors: Seojun Shon, Chikao Tsuchiya, Dhaval Bhanderi, David Ilstrup, Hsinmin Cheng, Christopher Ostafew,
• Abstract要約: ドライブライン・トゥ・HDマップ(Driveline to HD Map, D2HDMap)は、目に見える道路構造の推定を導く前に、軽量で見えないドライブラインを注入するオンラインマッピングシステムである。 このような事前トレーニングは、事前が利用できない場合の推論時間における一般化を改善することができることを示す。 地理的に不連続な分割で、D2HDMapは44.8mAPを達成した。
• 参考スコア（独自算出の注目度）: 0.2931680194227129
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate, up-to-date representations of road structures are critical for the safe operation of autonomous vehicles. Existing systems rely either on costly, maintenance-heavy high-definition (HD) maps which compromise safety when outdated, or purely sensor-based online mapping which struggles with long-range reliability and occlusion. Systems incorporating map prior information into online mapping seek to overcome drawbacks of both approaches by combining them in some way. We propose 'Driveline To HD Map' (D2HDMap), an online mapping system that injects a lightweight, non-visible driveline prior to guide the estimation of visible road structures such as lane dividers, road boundaries and crosswalks. This prior incurs less effort to create and update compared to full HD map priors used in other approaches. We also show that training with such a prior can improve generalization at inference time when no prior is available. Ablation studies conducted on the nuScenes and Argoverse 2 dataset demonstrate that models trained using a driveline prior largely retain performance even when priors are not available. On a geographically disjoint split, D2HDMap achieves 44.8 mAP, surpassing recent state-of-the-art. Additionally, noise-aware training substantially increases robustness to realistic localization error.
• Abstract（参考訳）: 道路構造物の正確な最新の表現は、自動運転車の安全な運転には不可欠である。 既存のシステムは、時代遅れの際の安全性を損なう、高価でメンテナンス性の高い高精細マップ(HD)や、長距離の信頼性と閉塞に苦しむ、純粋にセンサーベースのオンラインマッピングに頼っている。 オンラインマッピングにマップ事前情報を取り入れたシステムは、それらを何らかの方法で組み合わせることで、両方のアプローチの欠点を克服しようとしている。 本稿では,車線分割や道路境界,横断歩道などの可視的道路構造の推定を導くために,軽量で視認不可能なドライブラインを注入するオンライン地図システム「ドライブライン・トゥ・HDマップ」(D2HDMap)を提案する。 これは、他のアプローチで使われるフルHDマップよりも、作成や更新の労力が少なくなる。 また、そのような事前トレーニングは、事前利用できない場合の推論時間における一般化を改善することができることを示す。 nuScenesとArgoverse 2データセットで実施されたアブレーション調査では、ドライブラインを使用してトレーニングされたモデルが、前もって使用できない場合でも、ほとんどパフォーマンスを保っていることが示されている。 地理的に不連続な分割で、D2HDMapは44.8mAPを達成した。 さらに、ノイズアウェアトレーニングは、現実的なローカライゼーションエラーに対するロバスト性を大幅に向上させる。

関連論文リスト

• 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)
• SDTagNet: Leveraging Text-Annotated Navigation Maps for Online HD Map Construction [5.115758893396755]
  高定義(HD)マップは、有望なソリューションを提供するが、その高いメンテナンスコストは、スケーラブルなデプロイメントに障壁をもたらす。 SDTagNetは,広く利用可能なSDマップの情報を完全に活用する初のオンラインHDマップ構築手法である。 Argoverse 2 と nuScenes の実験により、地図認識性能は +5.9 mAP まで向上することが示された。
  論文  参考訳（メタデータ） (2025-06-10T17:16:00Z)
• 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)
• 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)
• Enhancing Online Road Network Perception and Reasoning with Standard Definition Maps [14.535963852751635]
  我々は,オンラインベクトル化HDマップ表現の開発において,軽量でスケーラブルな事前規格定義(SD)マップを活用することに注力する。 重要な発見は、SDマップエンコーダがモデル非依存であり、鳥の目視(BEV)エンコーダを利用する新しいアーキテクチャに迅速に適応できることである。 この結果から,オンライン地図作成タスクの先行作業としてSDマップを使用すると,コンバージェンスが大幅に向上し,オンラインセンターライン認識タスクの性能が30%向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-08-01T19:39:55Z)
• Augmenting Lane Perception and Topology Understanding with Standard Definition Navigation Maps [51.24861159115138]
  Standard Definition (SD) マップは、より安価で、世界中でカバーでき、スケーラブルな代替手段を提供する。 本稿では,オンライン地図予測にSDマップを統合する新しいフレームワークを提案し,Transformer を用いたエンコーダ SD Map Representations を提案する。 この拡張は、現在の最先端のオンラインマップ予測手法におけるレーン検出とトポロジー予測を一貫して(最大60%まで)大幅に向上させる。
  論文  参考訳（メタデータ） (2023-11-07T15:42:22Z)
• Prior Based Online Lane Graph Extraction from Single Onboard Camera Image [133.68032636906133]
  単眼カメラ画像からレーングラフをオンラインに推定する。 前者は、トランスフォーマーベースのWasserstein Autoencoderを通じてデータセットから抽出される。 オートエンコーダは、最初のレーングラフ推定を強化するために使用される。
  論文  参考訳（メタデータ） (2023-07-25T08:58:26Z)
• 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)
• MP3: A Unified Model to Map, Perceive, Predict and Plan [84.07678019017644]
  MP3は、入力が生のセンサーデータと高レベルのコマンドであるマップレス運転に対するエンドツーエンドのアプローチである。 提案手法は, より安全で, 快適であり, 長期クローズループシミュレーションにおいて, ベースラインよりもコマンドを追従できることを示す。
  論文  参考訳（メタデータ） (2021-01-18T00:09:30Z)

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。