論文の概要: RoadWeaver: Large-Scale Lane-Level HD Map Generation from Scratch for Autonomous Driving Simulation
- arxiv url: http://arxiv.org/abs/2608.11580v1
- Date: Wed, 12 Aug 2026 02:39:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.436457
- Title: RoadWeaver: Large-Scale Lane-Level HD Map Generation from Scratch for Autonomous Driving Simulation
- Title（参考訳）: RoadWeaver: 自動運転シミュレーションのためのスクラッチからの大規模レーンレベルHDマップ生成
- Abstract要約: 我々は,多種多様な大規模HDマップを作成するためのフレームワークであるRoadWeaverを紹介する。
RoadWeaverはまず、グローバルな道路レイアウトを合成し、それを接続された道路ネットワークに拡張し、一貫したレーン接続でレーンレベルの幾何学を構築する。
その結果、RoadWeaverは99.8%の到達率、10.7%のデッドエンド比、エンドポイントのアライメント誤差0.24mを達成した。
- 参考スコア（独自算出の注目度）: 12.234827494362145
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving simulation requires diverse and scalable lane-level HD maps to support long-horizon evaluation across complex road networks. Existing approaches either rely on handcrafted or reconstructed real-world maps, which limits scalability, or generate only local road structures rather than complete HD maps. We present RoadWeaver, a coarse-to-fine framework for from-scratch generation of diverse, large-scale HD maps. RoadWeaver first synthesizes a global road layout, expands it into a connected road network, and then constructs lane-level geometry with topologically consistent lane connectivity. Experimental results show that RoadWeaver achieves a 99.8\% reachability, a 10.7\% dead-end ratio, and an endpoint alignment error of 0.24 m. Compared with SOTA generation methods, it reduces endpoint alignment error by 94.4\% while generating complete HD maps in 1.39--3.50 s. The generated maps can be directly deployed in driving simulators, providing scalable simulation environments for future closed-loop evaluation of autonomous driving systems. The training code and an out-of-the-box implementation of RoadWeaver will be released upon acceptance.
- Abstract（参考訳）: 自律運転シミュレーションは、複雑な道路網を横断する長距離評価をサポートするために、多種多様なレーンレベルのHDマップを必要とする。
既存のアプローチは、拡張性を制限する手作りの現実世界の地図や再構成に依存しているか、あるいは完全なHDマップではなく、ローカルな道路構造のみを生成する。
我々は,多種多様な大規模HDマップのストクラッチ生成のための粗粒度フレームワークであるRoadWeaverを紹介する。
RoadWeaverはまず、グローバルな道路レイアウトを合成し、それを接続された道路ネットワークに拡張し、その後、トポロジ的に一貫したレーン接続でレーンレベルの幾何学を構築する。
実験の結果、RoadWeaver は 99.8 % の到達率、10.7 % のデッドエンド比、エンドポイントのアライメント誤差 0.24 m を達成した。
SOTA生成法と比較すると、1.39～3.50秒で完全なHDマップを生成しながら、エンドポイントのアライメント誤差を94.4\%削減する。
生成したマップは、運転シミュレータに直接デプロイすることができ、将来の自動運転システムのクローズドループ評価のためのスケーラブルなシミュレーション環境を提供する。
RoadWeaverのトレーニングコードとアウトオブボックス実装は、受け入れ次第リリースされる。
関連論文リスト
- RoboRacer Arena: Scaling High-Fidelity Autonomous Racing in Isaac Sim [0.7144215606325006]
RoboRacerは、1:10スケールの自動運転車を使った研究のための標準化されたプラットフォームを提供する。
既存の占有グリッドシミュレーターは、新しい地図を素早く追加できるが、物理的な接触を含まない。
我々は,占領地図から直接3Dレース環境を作成するシステムであるRoboRacer Arenaを開発した。
論文 参考訳（メタデータ） (2026-08-24T09:44:17Z) - Robust Localization for Autonomous Vehicles in Highway Scenes [5.294056268363123]
高速道路の課題に対処するロバストなローカライズシステムを提案する。
システムは、環境変化に対処するために3次元の幾何学構造と2次元の道路テクスチャキューを分離するデュアルライクなLiDARフロントエンドを使用する。
自動オフラインマッピングとグランドトラスパイプラインは、最適なローカライゼーション性能を得るために、マップを高いケイデンスで更新する。
論文 参考訳（メタデータ） (2026-04-23T19:54:21Z) - Driving by Hybrid Navigation: An Online HD-SD Map Association Framework and Benchmark for Autonomous Vehicles [6.52409981498299]
textbfOnline textbfMap textbfAssociationを導入する。
既存のデータセットに基づいて、OMAは480kの道路と260kのレーンパスを含んでいる。
論文 参考訳（メタデータ） (2025-07-10T07:16:00Z) - Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。
本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。
我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文 参考訳（メタデータ） (2024-10-10T10:10:03Z) - RoadRunner M&M -- Learning Multi-range Multi-resolution Traversability Maps for Autonomous Off-road Navigation [12.835198004089385]
RoadRunner (M&M) はエンドツーエンドの学習ベースのフレームワークで、さまざまな範囲のトレーバービリティと標高マップを直接予測する。
RoadRunner M&Mは、標高マッピングで最大50%の大幅な改善と、RoadRunner上でのトラバーサビリティ推定で30%の大幅な改善を実現している。
論文 参考訳（メタデータ） (2024-09-17T07:21:03Z) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - 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) - Hierarchical Road Topology Learning for Urban Map-less Driving [8.107327095922729]
我々は、車両自体の感覚システムを活用することで、オンライン道路地図抽出の課題に取り組む。
本研究では,全畳み込みネットワーク内で,道路網のグラフ表現を階層的に生成する構造化モデルを設計する。
論文 参考訳（メタデータ） (2021-03-31T19:51:25Z) - 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) - DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。
グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。
2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
論文 参考訳（メタデータ） (2020-12-22T21:58:57Z) - Convolutional Recurrent Network for Road Boundary Extraction [99.55522995570063]
我々は,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。
我々は,完全畳み込みネットワークが道路境界の位置と方向をエンコードする深い特徴量を得る構造化モデルを設計する。
北米の大都市において,道路境界の完全なトポロジを99.3%の時間で得られる方法の有効性を示す。
論文 参考訳（メタデータ） (2020-12-21T18:59:12Z)
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。