論文の概要: MapLightning: Online Vectorized HD Map Construction with 1D Map Tokens

• arxiv url: http://arxiv.org/abs/2610.01905v1
• Date: Thu, 01 Oct 2026 15:50:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.234957
• Title: MapLightning: Online Vectorized HD Map Construction with 1D Map Tokens
• Title（参考訳）: MapLightning: 1Dマップトークンを使ったオンラインベクトルHDマップ構築
• Abstract要約: オンラインベクトル化HDマップの構築は、安全な自動運転のスケーリングに不可欠である。 我々は,高密度のBEVグリッドを1次元学習可能な地図トークンのコンパクトなセットに置き換えるtextitMapLightningを提案する。 私たちの表現は効率的で、トークンを減らし、メモリ消費を減らし、高速に動作します。
• 参考スコア（独自算出の注目度）: 6.819608568620826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online vectorized HD map construction is essential for scaling safe autonomous driving and requires accurate, real-time inference. Prior methods typically rely on dense bird's-eye-view (BEV) grids as the intermediate representation. We propose \textit{MapLightning}, which replaces the dense BEV grid with a compact set of 1D learnable map tokens. To construct map tokens from image features, we choose self-attention over vanilla cross-attention because it enables joint interactions and contextual aggregation among image and map tokens. Our transformer-based mapper concatenates map and image tokens, applies full self-attention, discards the image tokens, and retains the updated map tokens for decoding. This design offers three advantages. First, our representation is efficient, using fewer tokens, consuming less memory, and running faster. Second, the lightweight design allows the map decoder to use full rather than deformable cross-attention for better global context. Third, unlike BEV-based methods, our network does not use camera projection parameters, making it robust to camera-extrinsic perturbations. MapLightning uses up to 16.7$\times$ fewer intermediate tokens than dense BEV-based methods and achieves state-of-the-art accuracy and efficiency on nuScenes and Argoverse~2. Its lightweight variant surpasses MapTRv2 by +10.1 mAP on nuScenes and +16.2 mAP on Argoverse~2, while delivering 1.73$\times$ faster inference (40+ FPS) with 53\% less memory. We further show improvements on uncertainty-aware map construction and downstream trajectory prediction. Code and models will be released.
• Abstract（参考訳）: オンラインベクトル化HDマップの構築は安全な自動運転のスケーリングに不可欠であり、正確なリアルタイム推論を必要とする。 従来の手法は通常、中間表現として高密度の鳥眼ビュー(BEV)グリッドに依存していた。 本稿では,高密度なBEVグリッドを1次元学習可能な地図トークンのコンパクトなセットに置き換える,‘textit{MapLightning} を提案する。 画像特徴量からマップトークンを構築するために,画像とマップトークン間の協調的な相互作用とコンテキストアグリゲーションを可能にするため,バニラクロスアテンションよりも自己アテンションを選択する。 我々のトランスフォーマーベースのマッパーは、マップと画像トークンを連結し、完全な自己アテンションを適用し、画像トークンを破棄し、デコードのために更新されたマップトークンを保持します。 このデザインには3つの利点がある。 まず、私たちの表現は効率的で、トークンを減らし、メモリ消費を減らし、高速に動作します。 第二に、軽量な設計により、グローバルなコンテキストを改善するために、変形可能なクロスアテンションではなく、マップデコーダがフルに使用できる。 第3に、BEVベースの手法とは異なり、我々のネットワークはカメラプロジェクションパラメータを使用せず、カメラ固有の摂動に対して堅牢である。 MapLightningは、密度の高いBEVベースの方法よりも最大16.7$\times$少ない中間トークンを使用し、nuScenesとArgoverse~2の最先端の精度と効率を達成する。 軽量版では、nuScenesでは+10.1 mAP、Argoverse~2では+16.2 mAPを上回り、1.73$\times$高速推論(40以上のFPS)で53.%のメモリを消費する。 さらに,不確実性を考慮した地図構築と下流軌道予測の改善を示す。 コードとモデルはリリースされる。

関連論文リスト

• MapRF: Weakly Supervised Online HD Map Construction via NeRF-Guided Self-Training [6.6099504578472414]
  MapRFは弱い教師付きフレームワークであり、2Dイメージラベルのみを使用して3Dマップを構築することを学ぶ。 自己学習中の誤差蓄積を軽減するため,マップ・ツー・レイマッチング方式を提案する。
  論文  参考訳（メタデータ） (2025-11-24T07:23:10Z)
• Vision-Language Cross-Attention for Real-Time Autonomous Driving [1.9116784879310027]
  XYZ-Driveは、フロントカメラフレームを読み、25m$times$25mのオーバーヘッドマップと次のウェイポイントを出力し、ステアリングとスピードを出力する単一の視覚言語モデルである。 軽量な目標中心のクロスアテンション層では、融合トークンが部分的に微調整されたLLaMA-3.2 11Bモデルに入る前に、ウェイポイントトークンが関連する画像とマップパッチをハイライトすることができる。
  論文  参考訳（メタデータ） (2025-07-30T19:51:23Z)
• P-MapNet: Far-seeing Map Generator Enhanced by both SDMap and HDMap Priors [33.73570824028748]
  提案するP-MapNetでは、P文字は、モデル性能を改善するために、マッププリエントの導入に重点を置いているという事実を強調している。 注意に基づくアーキテクチャは,SDMapスケルトンに適応的に対応し,性能を大幅に向上させる。 P-MapNetは、長い範囲でより大きな改善をもたらす、探究可能なソリューションです。
  論文  参考訳（メタデータ） (2024-03-15T17:59:53Z)
• SNAP: Self-Supervised Neural Maps for Visual Positioning and Semantic Understanding [57.108301842535894]
  我々は、地上と頭上の画像からリッチなニューラル2Dマップを学習するディープネットワークSNAPを紹介する。 我々は、異なる入力から推定されるニューラルマップの整列をトレーニングし、何千万ものストリートビュー画像のカメラポーズでのみ監視する。 SNAPは、従来の手法の範囲を超えて、挑戦的な画像クエリの場所を解決できる。
  論文  参考訳（メタデータ） (2023-06-08T17:54:47Z)
• NeuMap: Neural Coordinate Mapping by Auto-Transdecoder for Camera Localization [60.73541222862195]
  NeuMapは、カメラのローカライゼーションのためのエンドツーエンドのニューラルマッピング手法である。 シーン全体を遅延コードグリッドにエンコードし、Transformerベースのオートデコーダがクエリピクセルの3D座標を回帰する。
  論文  参考訳（メタデータ） (2022-11-21T04:46:22Z)
• Vision Transformer with Super Token Sampling [93.70963123497327]
  多くの視覚タスクにおいて、視覚変換器は印象的なパフォーマンスを達成した。 浅い層のために局所的な特徴を捉える際に、高い冗長性に悩まされる可能性がある。 スーパートークンは、視覚的コンテンツの意味的に意味のあるテッセルレーションを提供しようとする。
  論文  参考訳（メタデータ） (2022-11-21T03:48:13Z)
• BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird's-Eye View Representation [105.96557764248846]
  本稿では,汎用マルチタスクマルチセンサ融合フレームワークであるBEVFusionを紹介する。 共有鳥眼ビュー表示空間におけるマルチモーダル特徴を統一する。 3Dオブジェクト検出では1.3%高いmAPとNDS、BEVマップのセグメンテーションでは13.6%高いmIoU、コストは1.9倍である。
  論文  参考訳（メタデータ） (2022-05-26T17:59:35Z)

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。