論文の概要: GaussianMap: Learning Gaussian Representation for Multi-Sensor Online HD Map Construction
- arxiv url: http://arxiv.org/abs/2606.31177v1
- Date: Tue, 30 Jun 2026 06:08:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.092365
- Title: GaussianMap: Learning Gaussian Representation for Multi-Sensor Online HD Map Construction
- Title（参考訳）: GaussianMap: マルチセンサオンラインHDマップ構築のためのガウス表現学習
- Abstract要約: 本稿では,周辺環境の適応的なガウス表現を学習するオンラインHDマップ構築フレームワークを提案する。
GustafMapは、カメラオンリーとカメラ-LiDAR融合設定の両方で最先端のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 6.54359101227443
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving systems benefit from high-definition (HD) maps that provide critical information about road infrastructure. The online construction of HD maps offers a scalable approach to generate local vectorized maps from onboard sensor observations. Existing methods commonly adopt bird's-eye-view (BEV) features as the intermediate scene representation, encoding the surrounding space with fixed-resolution dense grids. However, map elements are spatially sparse yet require fine-grained geometric localization, making uniformly allocated BEV representations redundant and less effective for vectorized map prediction. In this work, we propose GaussianMap, an online HD map construction framework that learns an adaptive Gaussian representation of the surrounding scene. This representation consists of a set of Gaussian primitives on the BEV plane, each encoding a flexible local region with geometric properties and a feature vector, allowing the model to allocate representational capacity to map-relevant regions. To generate such a representation from sensor observations, we introduce a feed-forward Gaussian encoder that progressively refines these primitives through Gaussian interaction modeling and multi-sensor feature aggregation. The refined Gaussian representation is then splatted into a BEV feature map and decoded into vectorized map predictions. Extensive experiments on nuScenes and Argoverse 2 datasets demonstrate that GaussianMap achieves state-of-the-art performance in both camera-only and camera-LiDAR fusion settings. Our code will be made publicly available.
- Abstract（参考訳）: 自律運転システムは、道路インフラに関する重要な情報を提供する高精細(HD)マップの恩恵を受ける。
HDマップのオンライン構築は、オンボードセンサー観測から局所ベクトル化マップを生成するためのスケーラブルなアプローチを提供する。
既存の手法では、鳥眼ビュー(BEV)の機能を中間シーン表現として採用しており、周囲の空間を固定解像度の高密度グリッドで符号化している。
しかし、地図要素は空間的に疎いが、微粒な幾何学的局所化を必要とするため、均一に割り当てられたBEV表現は冗長であり、ベクトル化された地図予測にはあまり効果がない。
本研究では,周辺環境の適応型ガウス表現を学習するオンラインHDマップ構築フレームワークであるガウスマップを提案する。
この表現は、BEV平面上のガウス原始体の集合で構成され、それぞれが幾何学的性質を持つフレキシブルな局所領域と特徴ベクトルを符号化し、モデルが表現能力をマップ関連領域に割り当てることを可能にする。
センサ観測からそのような表現を生成するために,ガウス的相互作用モデリングとマルチセンサ特徴集約により,これらのプリミティブを段階的に洗練するフィードフォワードガウスエンコーダを導入する。
洗練されたガウス表現はBEV特徴写像に分割され、ベクトル化された写像の予測にデコードされる。
nuScenesとArgoverse 2データセットに関する大規模な実験は、GaussianMapが、カメラのみとカメラ-LiDAR融合設定の両方で最先端のパフォーマンスを達成することを示した。
私たちのコードは公開されます。
関連論文リスト
- Gaussian-JEPA: Joint-Embedding Predictive Learning for 3D Gaussian Splats [91.55220894541151]
3D Gaussian Splatting (3DGS)は、幾何学と外観を結合的にエンコードする異方性プリミティブを持つ3Dコンテンツを表す。
本稿では,ガウス的トークンブロックの表現を視覚的コンテキストから予測するガウス的JEPAを提案する。
論文 参考訳（メタデータ） (2026-08-16T09:43:50Z) - 3D Gaussian Map with Open-Set Semantic Grouping for Vision-Language Navigation [48.641376758484505]
視覚言語ナビゲーション(VLN)は、自然言語命令に基づいて複雑な3D環境を横断するエージェントを必要とする。
この研究は、環境を微分可能な3次元ガウス写像の集合として表す3次元ガウス写像を提案する。
Egocentric Scene Mapは、疎い擬似ライダー点雲から3Dガウシアンを初期化することによって、オンラインで構築されている。
論文 参考訳（メタデータ） (2026-05-26T03:25:49Z) - GSMap: 2D Gaussians for Online HD Mapping [8.653416286011359]
本稿では,学習可能な2次元表現により両パラダイムを統一する新しいフレームワークであるGSMapを提案する。
nuScenesとArgoverse2の実験では、ガウスに基づく表現が幾何学的および位相的学習を効果的に統一していることが示されている。
論文 参考訳（メタデータ） (2026-05-10T15:57:07Z) - Multi-Scale Gaussian-Language Map for Zero-shot Embodied Navigation and Reasoning [33.03611808441931]
本稿では,3つのキーデザインを導入したマルチスケールガウス・ランゲージマップ(GLMap)を提案する。
3Dガウスアンは、タスク関連画像のコンパクトストレージと高速レンダリングを可能にする。
ObjectNav、InstNav、SQAタスクの実験は、GLMapがターゲットナビゲーションとコンテキスト推論を効果的に強化していることを示している。
論文 参考訳（メタデータ） (2026-05-03T06:22:14Z) - MapDiffusion: Generative Diffusion for Vectorized Online HD Map Construction and Uncertainty Estimation in Autonomous Driving [24.962900390344235]
自律運転はセンサデータから静的環境を理解する必要がある。
伝統的な地図構築モデルは決定論的点推定を提供する。
本研究では,ベクトル化可能な地図の完全な分布を学習する新しい生成手法であるMapDiffusionを提案する。
論文 参考訳（メタデータ） (2025-07-29T01:16:40Z) - GS-LIVO: Real-Time LiDAR, Inertial, and Visual Multi-sensor Fused Odometry with Gaussian Mapping [22.432252084121274]
LiDAR-Inertial-Visual (LIV) センサの構成は、ローカライゼーションと高密度マッピングにおいて優れた性能を示している。
本稿では,新しいリアルタイムガウス型同時ローカライズ・マッピングシステムを提案する。
このフレームワークは、堅牢なマルチセンサー融合機能を維持しながら、リアルタイムのパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-01-15T09:04:56Z) - GaussianFormer-2: Probabilistic Gaussian Superposition for Efficient 3D Occupancy Prediction [55.60972844777044]
3Dセマンティック占有予測は、堅牢な視覚中心の自律運転において重要な課題である。
既存のほとんどの手法は、密度の高いグリッドベースのシーン表現を利用しており、運転シーンの空間的空間性を見渡している。
本稿では,各ガウス分布をその周辺領域の確率分布として解釈する確率論的ガウス重ね合わせモデルを提案する。
論文 参考訳（メタデータ） (2024-12-05T17:59:58Z) - PixelGaussian: Generalizable 3D Gaussian Reconstruction from Arbitrary Views [116.10577967146762]
PixelGaussianは、任意の視点から一般化可能な3Dガウス再構成を学習するための効率的なフレームワークである。
提案手法は,様々な視点によく一般化した最先端性能を実現する。
論文 参考訳（メタデータ） (2024-10-24T17:59:58Z) - SemVecNet: Generalizable Vector Map Generation for Arbitrary Sensor Configurations [3.8472678261304587]
センサ構成への一般化を改善したベクトルマップ生成のためのモジュールパイプラインを提案する。
センサ構成に頑健なBEVセマンティックマップを採用することにより,提案手法は一般化性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-04-30T23:45:16Z) - 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) - Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。
IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。
提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
論文 参考訳（メタデータ） (2022-06-17T09:40:14Z)
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。