論文の概要: Editable Map-Conditioned Trajectory Generation for Human Mobility Simulation
- arxiv url: http://arxiv.org/abs/2609.32360v1
- Date: Sat, 26 Sep 2026 08:33:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-07 17:29:36.66682
- Title: Editable Map-Conditioned Trajectory Generation for Human Mobility Simulation
- Title（参考訳）: 人体移動シミュレーションのための編集可能な地図記述軌道生成
- Abstract要約: 我々は、このタスクを、マップ条件による人間のモビリティメッシュのオートレ生成として定式化する。
我々は、ResNet-50ビジュアル回帰構成とViT(Vision Transformer)クロスアテンション構成をインスタンス化する。
我々は,正解と内分割シャッフルマップ生成と実軌道の保持値を比較することで,地図感度を評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geospatial simulation of infrastructure interventions requires mobility generators that respond directly to edited maps, yet many data-driven generators do not expose the map as an editable condition. We formulate this task as map-conditioned autoregressive generation of human mobility: a road raster conditions a decoder that emits nominal 31.25 m mesh-cell tokens at one-minute intervals. The mesh-local vocabulary supports held-out and locally edited maps without retraining or vocabulary changes. We instantiate a ResNet-50 visual-prefix configuration and a Vision Transformer (ViT) cross-attention configuration, trained from scratch on 87,400 smartphone-derived trajectories from 874 meshes in Ishikawa Prefecture, Japan; 219 meshes are held out. We evaluate map sensitivity by comparing correct-map and within-split shuffled-map generations with held-out real trajectories. On the 110-mesh test split, for the ResNet-50 configuration, correct-map generations are closer than shuffled-map generations on 60% of meshes under Hausdorff-based energy distance (p = 0.021), while DTW is directional but inconclusive (57%, p = 0.074); correlation with real density is 0.38 with the correct map versus 0.01 with shuffled maps. The ViT configuration shows weaker trajectory-level sensitivity and smaller density gains. An illustrative bridge-removal edit changes generated continuations without retraining. Together, these results support the feasibility of editable-map human-mobility simulation.
- Abstract（参考訳）: インフラストラクチャ介入の地理空間シミュレーションでは、編集された地図に直接応答するモビリティジェネレータが必要であるが、多くのデータ駆動ジェネレータは、地図を編集可能な条件として公開しない。
道路ラスターは、名目31.25mのメッシュセルトークンを1分間隔で出力するデコーダを条件とする。
メッシュローカル語彙は、トレーニングや語彙の変更なしに、保留および局所的に編集された地図をサポートする。
石川県の874個のメッシュから87,400個のスマートフォン由来のトラジェクトリをスクラッチからトレーニングしたResNet-50ビジュアルプレフィックス構成とビジョントランスフォーマー(ViT)クロスアテンション構成を行い、219個のメッシュを出力する。
我々は,正解と内分割シャッフルマップ生成と実軌道の保持値を比較することで,地図感度を評価する。
110-mesh テスト分割では、ResNet-50 の構成では、正写像生成はハウスドルフに基づくエネルギー距離 (p = 0.021) の下でのメッシュの60%でシャッフルマップ生成に近づき、DTW は指向的であるが決定的でない (57%, p = 0.074) であり、実際の密度と正写像との相関は 0.38 であり、シャッフルマップでは 0.01 である。
ViT構成は、軌道レベルの感度が弱く、密度ゲインが小さい。
図形的なブリッジ除去編集は、再トレーニングせずに継続を生成する。
これらの結果は、編集可能マップの人体移動シミュレーションの実現性を支持する。
関連論文リスト
- RoadWeaver: Large-Scale Lane-Level HD Map Generation from Scratch for Autonomous Driving Simulation [12.234827494362145]
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。
論文 参考訳（メタデータ） (2026-08-12T02:39:14Z) - AeroMap3D: Anchoring Monocular UAV 6-DoF Localization to Visual-Geometric-Semantic Map Priors [4.292773013561405]
AeroMap3Dは、OpenStreetMapで定義されたナビゲーションのために、画像から視覚的、幾何学的、セマンティックマップにアンカーする。
軽量アダプタは、インターネットスケールのジェネリックデータで事前訓練された密集型マーカを、信頼性の高いUAV-to-map登録を行うことができる。
UAV-Terra3Dの再訓練やチューニングがなければ、AeroMap3Dは50m以内のオースチンの8箇所で全ての軌道をローカライズし、5.88mの平均3D誤差を55km以上で達成する。
論文 参考訳（メタデータ） (2026-07-15T16:38:27Z) - Unified Map Prior Encoder for Mapping and Planning [25.536411411026418]
UMPE(Unified Map Prior)は、4つの事前のサブセットを取り込み、マッピングと計画の両方にBEV機能を組み込むことができる。
UMPE は軌道誤差を平均で 0.72 から 0.42 m L2 (-0.30 m) に減少させ、衝突速度は 0.22% から 0.12% (-0.10%) に低下させる
これらの結果から,不均一なマップ事前の統一的アライメント対応処理により,より優れたマッピングとより良い計画が得られた。
論文 参考訳（メタデータ） (2026-05-04T16:01:30Z) - 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) - U6G XL-MIMO Radiomap Prediction: Multi-Config Dataset and Beam Map Approach [62.11972168232143]
XL-MIMOを搭載した上位6GHz帯(U6G)は、第6世代の無線システムにとって重要なイネーブルである。
既存のデータセットは、主に等方性アンテナを持つ小さな配列しかサポートしていない。
本稿では,XL-MIMOラジオマップを3つの側面から予測する。
論文 参考訳（メタデータ） (2026-03-06T15:44:27Z) - Interacted Planes Reveal 3D Line Mapping [73.60851338875962]
LiP-Mapは3Dラインマッピングのためのラインプレーン共同最適化フレームワークである。
ScanNetV2, ScanNet++, Hypersim, 7Scenes, Tanks&Templeの100以上のシーンにおいて、LiP-Mapは最先端メソッドよりも正確性と完全性の両方を改善している。
論文 参考訳（メタデータ） (2026-02-01T15:52:55Z) - AIRMap -- AI-Generated Radio Maps for Wireless Digital Twins [7.32219702732606]
超高速無線マップ推定のためのディープラーニングフレームワークを提案する。
AirMapはNVIDIA L40Sで、推論毎に5dB RMSE以下でパスゲインを予測する。
フィールド測定の20%しか使用していない軽量な移動学習校正は、中央値の誤差を約10%に削減する。
論文 参考訳（メタデータ） (2025-10-28T15:15:48Z) - TS-CGNet: Temporal-Spatial Fusion Meets Centerline-Guided Diffusion for BEV Mapping [14.11655533977291]
本稿では,中央誘導拡散を伴う時間-空間融合を利用したTS-CGNetを提案する。
このフレームワークは、既存のネットワークに統合してBEVマップを構築するように設計されている。
論文 参考訳（メタデータ） (2025-03-04T13:00:30Z) - 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) - 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) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳（メタデータ） (2020-06-09T12:35:55Z)
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。