論文の概要: SD-RouteFusion: Ego-Trajectory Prediction with SD-Map Route Conditioning
- arxiv url: http://arxiv.org/abs/2607.01139v1
- Date: Wed, 01 Jul 2026 16:22:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.988499
- Title: SD-RouteFusion: Ego-Trajectory Prediction with SD-Map Route Conditioning
- Title（参考訳）: SD-ルートフュージョン:SD-マップ経路条件付きエゴ軌道予測
- Authors: Sviatoslav Voloshyn, Bruno K. W. Martens, Wangxin Liu, Jakob Vinkås, Junsheng Fu,
- Abstract要約: 本稿では,展開可能なエンド・ツー・エンドのエゴ軌道予測手法であるSD-RouteFusionを提案する。
前面カメラ、車両キネマティクス、および標準定義(SD)マップからのナビゲーションルートを融合する。
High Definition(HD)マップ幾何に依存するアプローチとは異なり、SD-RouteFusionは学習目標をスケーラブルでプロダクション対応のSD-mapルート入力と整合させる。
- 参考スコア（独自算出の注目度）: 2.0319033364222645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents SD-RouteFusion, a deployable end-to-end ego-trajectory prediction method that fuses a front-facing camera, vehicle kinematics, and a navigation route derived from a Standard Definition (SD) map. Unlike approaches that rely on High Definition (HD) map geometry, SD-RouteFusion aligns the learning objective with scalable and production-ready SD-map route inputs, enabling route-aware prediction without requiring HD-map infrastructure. First, we demonstrate that SD-map route prior provides a powerful long-horizon semantic prior. Through a comprehensive study on a large-scale real-world dataset comprising 480k driving scenarios across 10 European countries and the U.S., we quantify the value of SD-route conditioning: incorporating SD-map routes yields a 10.5% ADE improvement over an image-and-kinematics baseline, while our full fusion strategy achieves a 16.9% ADE reduction given a prediction horizon of 8 seconds. The fusion strategy consists of a dual-hypothesis design paired with a gated classifier, to ensure robustness under route corruption and visual uncertainty. Finally, to support broader evaluation, we release an SD-route generation toolkit that enables SD-route-conditioned ego-trajectory prediction on all datasets containing ego pose and future trajectories. Together, SD-RouteFusion establishes a practical path toward robust, route-aware ego-trajectory prediction at scale.
- Abstract（参考訳）: 本稿では,SD-RouteFusionを提案する。SD-RouteFusionは,前面カメラ,車両キネマティクス,および標準定義(SD)マップから導出されるナビゲーション経路を融合する,展開可能なエンドツーエンドのエゴ軌道予測手法である。
High Definition(HD)マップ幾何に依存するアプローチとは異なり、SD-RouteFusionは学習目標をスケーラブルでプロダクション対応のSD-mapルート入力と整合させ、HD-mapインフラストラクチャを必要とせずにルート認識の予測を可能にする。
まず,SD-map 経路が従来より強力な長方形セマンティクスを提供することを示す。
SDマップのルートを組み込むと、画像とキネマティックスのベースラインよりも10.5%の改善が得られ、我々のフルフュージョン戦略は8秒の予測地平線から16.9%のADE削減が達成される。
融合戦略は、経路破壊と視覚的不確実性の下で堅牢性を確保するために、ゲート分類器と組み合わせた二重ハイブリッド設計からなる。
最後に、より広範な評価を支援するために、エゴポーズと将来の軌跡を含む全てのデータセットに対して、SD経路条件のエゴ軌道予測を可能にするSD経路生成ツールキットをリリースする。
SD-RouteFusionは、大規模で堅牢でルート対応のエゴ軌道予測への実践的な道を確立する。
関連論文リスト
- 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) - SEPT: Standard-Definition Map Enhanced Scene Perception and Topology Reasoning for Autonomous Driving [33.58763384551353]
標準定義(SD)マップ拡張知覚とトポロジー推論フレームワークを提案する。
我々のフレームワークはシーン認識とトポロジ推論の両方を著しく改善し、既存の手法よりも大幅に優れています。
論文 参考訳（メタデータ） (2025-05-18T05:57:31Z) - Jasmine: Harnessing Diffusion Prior for Self-supervised Depth Estimation [69.15908715490362]
ジャスミン(Jasmine)は、単分子深度推定のための安定拡散に基づく自己教師型フレームワークである。
SDの視覚的先行性を利用して、教師なし予測のシャープネスと一般化を強化する。
KITTIベンチマークでSoTAのパフォーマンスを達成し、複数のデータセットにまたがる優れたゼロショット一般化を示す。
論文 参考訳（メタデータ） (2025-03-20T07:15:49Z) - 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) - 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) - 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。