論文の概要: AerialFusionMapNet: Online HD Map Construction with Aerial-Onboard BEV Fusion
- arxiv url: http://arxiv.org/abs/2606.24784v1
- Date: Tue, 23 Jun 2026 16:44:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:49.09147
- Title: AerialFusionMapNet: Online HD Map Construction with Aerial-Onboard BEV Fusion
- Title（参考訳）: AerialFusionMapNet:Aerial-Onboard BEV FusionによるオンラインHDマップ構築
- Authors: Daniel Lengerer, Mathias Pechinger, Klaus Bogenberger, Carsten Markgraf,
- Abstract要約: AerialFusionMapNetは、構造化された2段階のトレーニング戦略を備えたフュージョンベースのマッピングフレームワークである。
nuScenesの地理的分割では、AerialFusionMapNet は 54.7 mAP に達し、48.8 mAP から +5.9 の絶対値と +12.1% の相対値に改善されている。
- 参考スコア（独自算出の注目度）: 2.906734463607093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-resolution aerial imagery has recently emerged as a complementary modality for automated driving perception and has shown potential to improve birds-eye-view (BEV) scene understanding when fused with onboard sensors. Prior work demonstrated performance gains for online high-definition (HD) map construction through aerial-onboard fusion; however, conventional end-to-end fusion does not fully exploit the structural information contained in aerial representations. In this work, we introduce AerialFusionMapNet, a fusion-based mapping framework with a structured two-stage training strategy that explicitly enhances the contribution of aerial features within a unified pipeline. The proposed training scheme enables more effective integration of structural aerial priors. On the nuScenes geographic split, AerialFusionMapNet achieves up to 54.7 mAP, improving over prior aerial-onboard fusion baselines from 48.8 mAP by +5.9 absolute and +12.1% relative. The results suggest that structured training design, rather than increased architectural complexity, plays a more decisive role in unlocking the full potential of aerial imagery for online HD map construction. Code and trained models are available at https://github.com/DriverlessMobility/AerialFusionMapNet.
- Abstract（参考訳）: 近年,高解像度の航空画像が自動運転知覚の相補的モダリティとして出現し,搭載センサーと融合した場合の鳥眼視(BEV)シーン理解の改善の可能性も示された。
従来,空対地核融合による高精細マップ構築の性能向上は実証されてきたが,従来のエンドツーエンド核融合では,航空表現に含まれる構造情報を十分に活用していない。
本研究では,AerialFusionMapNetについて紹介する。AerialFusionMapNetは,統合パイプライン内の空中的特徴の寄与を明示的に促進する,構造化された2段階のトレーニング戦略を備えた,フュージョンベースのマッピングフレームワークである。
提案したトレーニング手法は, より効果的な構造的空中前兆の統合を可能にする。
nuScenesの地理的分割では、AerialFusionMapNet は 54.7 mAP に達し、48.8 mAP から +5.9 の絶対値と +12.1% の相対値に改善されている。
その結果, 構造的トレーニング設計は, 構造的複雑さを増大させるのではなく, オンラインHDマップ構築のための航空画像の可能性を最大限に活用する上で, より決定的な役割を担っていることが示唆された。
コードとトレーニングされたモデルはhttps://github.com/DriverlessMobility/AerialFusionMapNet.orgで公開されている。
関連論文リスト
- MAD: Mapping-Aware World Models for Agile Quadrotor Flight [47.458890396048126]
マッピング・アウェア・ドリーマー(英: Mapping-Aware Dreamer、MAD)は、視覚に基づく四面体飛行のための幾何学的世界モデルである。
MADは、ロボセントリックな占有率と可視性グリッドマップを再構成する反復潜時ダイナミクスを学習する。
室内・屋外での安全な飛行を限定センシングで実証し,シミュレーションで9.66m/s,実世界の森林実験で5.05m/sに達した。
論文 参考訳（メタデータ） (2026-06-03T07:17:57Z) - 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) - AGC-Drive: A Large-Scale Dataset for Real-World Aerial-Ground Collaboration in Driving Scenarios [68.84774511206797]
AGC-DriveはAerial-Ground Cooperativeの3D知覚のための最初の大規模実世界のデータセットである。
AGC-Driveには350のシーンがあり、それぞれ約100のフレームと13のオブジェクトカテゴリをカバーする完全な注釈付き3Dバウンディングボックスがある。
車両間協調認識と車両間協調認識の2つの3次元タスクのベンチマークを提供する。
論文 参考訳（メタデータ） (2025-06-19T14:48:43Z) - AugMapNet: Improving Spatial Latent Structure via BEV Grid Augmentation for Enhanced Vectorized Online HD Map Construction [10.651014925267859]
AugMapNetは、潜伏したBEV表現を大幅に強化する新しいテクニックである。
nuScenesとArgoverse2データセットの実験では、ベクトル化されたマップ予測性能が大幅に改善された。
遅延BEVグリッドの詳細な解析により、AugMapNetのより構造化された遅延空間が確認できる。
論文 参考訳（メタデータ） (2025-03-17T17:55:32Z) - Leveraging V2X for Collaborative HD Maps Construction Using Scene Graph Generation [0.0]
HDマップは自動運転車のナビゲーションにおいて重要な役割を担い、精度と安全性を向上させるために搭載された知覚センサーを補完する。
従来のHDマップ生成は、コストがかかりリアルタイムのインフラ変更をキャプチャできない専用のマッピング車両に依存している。
本稿では,V2X通信とScene Graph Generationを利用する新しいフレームワークであるHDMapLaneNetについて述べる。
論文 参考訳（メタデータ） (2025-02-14T12:56:10Z) - 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) - MapNeXt: Revisiting Training and Scaling Practices for Online Vectorized
HD Map Construction [0.0]
本稿では,次世代のHDマップ学習アーキテクチャであるMapNeXtを提案する。
MapNeXt-Hugeは、挑戦的なnuScenesベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-01-14T16:14:36Z) - Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve
Aerial Visual Perception? [57.77643186237265]
我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。
MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。
これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
論文 参考訳（メタデータ） (2023-12-07T18:59:14Z) - Complementing Onboard Sensors with Satellite Map: A New Perspective for
HD Map Construction [31.0701760075554]
高精細(HD)マップは自律運転システムにおいて重要な役割を担っている。
近年,車載センサを用いてHDマップをリアルタイムに構築する手法が提案されている。
搭載センサーを補完する衛星地図を用いて,HDマップ構築を促進する新しい視点を探索する。
論文 参考訳（メタデータ） (2023-08-29T16:33:16Z) - Deep Learning Aided Routing for Space-Air-Ground Integrated Networks
Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。
大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。
低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
論文 参考訳（メタデータ） (2021-10-28T14:12:10Z)
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。