論文の概要: From Fragments to Global Maps: Learning Vectorized Map Aggregation with Large Language Models

• arxiv url: http://arxiv.org/abs/2610.02513v1
• Date: Thu, 01 Oct 2026 21:35:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.09401
• Title: From Fragments to Global Maps: Learning Vectorized Map Aggregation with Large Language Models
• Title（参考訳）: フラグメントからグローバルマップへ:大規模言語モデルを用いたベクトルマップ集約学習
• Abstract要約: 大規模ベクトル化HDマップは、自律運転において知覚、局所化、計画に不可欠な構造化道路情報を提供する。 既存のアグリゲーション法は通常、フラグメントアソシエーションとリファインメントのための手作りのルールに依存している。 大規模言語モデルを用いた条件付きシーケンス生成としてベクトル化マップアグリゲーションを定式化するデータ駆動型フレームワークであるMapMergeLLMを提案する。
• 参考スコア（独自算出の注目度）: 57.34005676470192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale vectorized HD maps provide structured road information that is essential for perception, localization, and planning in autonomous driving. Constructing such maps requires aggregating noisy, fragmented, and overlapping local predictions collected along a vehicle trajectory into a coherent global map. Existing aggregation methods typically rely on hand-crafted rules for fragment association and refinement. However, a fixed set of thresholds cannot effectively handle variations in road structures and prediction errors, often requiring detector-specific tuning or manual adjustment. To address this limitation, we propose MapMergeLLM, a data-driven framework that formulates vectorized map aggregation as conditional sequence generation with a large language model. Given serialized local vectorized maps, our model directly predicts the aggregated global map polylines. To reduce dependence on any particular upstream detector, we train the model on synthetic local maps generated from clean vector maps using corruptions that simulate representative prediction errors. We further introduce a coordinate tokenizer with geometry-aware pretraining to precisely represent map coordinates. In addition, we propose a line-level association loss that explicitly supervises correspondences between local observations of the same map element. Experiments on Argoverse2 and nuScenes using multiple recent upstream detectors demonstrate that MapMergeLLM substantially outperforms heuristic and optimization-based aggregation baselines without detector-specific retraining.
• Abstract（参考訳）: 大規模ベクトル化HDマップは、自律運転において知覚、局所化、計画に不可欠な構造化道路情報を提供する。 このようなマップを構築するには、車両軌道に沿って収集された雑音、断片化、重複した局所予測をコヒーレントなグローバルマップに集約する必要がある。 既存のアグリゲーション法は通常、フラグメントアソシエーションとリファインメントのための手作りのルールに依存している。 しかし、固定された閾値のセットは、道路構造や予測誤差の変動を効果的に処理することができず、しばしば検出器固有のチューニングや手動調整を必要とする。 この制限に対処するため,大規模言語モデルを用いてベクトル化マップアグリゲーションを条件付きシーケンス生成として定式化するデータ駆動型フレームワークであるMapMergeLLMを提案する。 直列化された局所ベクトル化写像が与えられた場合、我々のモデルは集約されたグローバルマップポリラインを直接予測する。 任意の上流検出器への依存を低減するため, 代表的な予測誤差をシミュレートする汚損を利用したクリーンベクトルマップから生成された合成局所写像のモデルを訓練する。 さらに、地図座標を正確に表すために、幾何を考慮した事前学習を含む座標トークンを導入します。 さらに,同じ地図要素の局所的な観測の対応を明示的に監督するラインレベルアソシエーション損失を提案する。 複数の上流検出器を用いたArgoverse2およびnuSceneの実験では、MapMergeLLMは検出器固有のリトレーニングなしでヒューリスティックおよび最適化に基づくアグリゲーションベースラインを大幅に上回っている。

関連論文リスト

• Vector Map as Language: Toward Unified Remote Sensing Vector Mapping [52.15388144187478]
  本稿では,多クラスベクトルマッピングを構造化テキスト生成として再構成する統一パラダイムであるベクトルマップ・アズ・ラング(VecLang)を提案する。 VecLangは、異なる地理空間エンティティの共通要素をGeoJSONのようなベクトル言語にエンコードする。 本稿では,VecLangが単一クラスと多クラスベクトルマッピングの両方を処理し,強力なクロスデータセットとオープン語彙の一般化を実現していることを示す。
  論文  参考訳（メタデータ） (2026-06-09T11:02:51Z)
• MapAgent: An Industrial-Grade Agentic Framework for City-scale Lane-level Map Generation [29.433966399682504]
  レーンレベルの地図は、自動運転とレーンレベルのナビゲーションにとって重要なインフラである。 最近のエンドツーエンドのベクトル化マッピング手法は,センサデータから直接レーン形状やトポロジーを予測することができる。 仕様に準拠したレーンマップ生産のためのベクトル化バックボーンを増強する,産業レベルのエージェントアーキテクチャであるMapAgentを提案する。
  論文  参考訳（メタデータ） (2026-06-03T06:44:42Z)
• InteractionMap: Improving Online Vectorized HDMap Construction with Interaction [0.4551615447454768]
  State-of-the-art map vectorization法は主に、エンドツーエンドでHDマップを生成するDETRライクなフレームワークに基づいている。 本稿では,ローカル-グローバル情報インタラクションをフル活用して,従来の地図ベクトル化手法を改善したInteractionMapを提案する。
  論文  参考訳（メタデータ） (2025-03-27T16:23:15Z)
• 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)
• PivotNet: Vectorized Pivot Learning for End-to-end HD Map Construction [10.936405710245625]
  我々は、ピボットベースの地図表現を統一したPivotNetという、シンプルで効果的なアーキテクチャを提案する。 PivotNet は他の SOTA よりも5.9 mAP の方がはるかに優れている。
  論文  参考訳（メタデータ） (2023-08-31T05:43:46Z)
• 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)
• Asynchronously Trained Distributed Topographic Maps [0.0]
  分散トレーニングによって特徴マップを生成するために,N$の自律ユニットを用いたアルゴリズムを提案する。 単位の自律性は、分散探索とカスケード駆動の重み更新スキームを組み合わせることで、時間と空間のスパース相互作用によって達成される。
  論文  参考訳（メタデータ） (2023-01-20T01:15:56Z)
• Learning Lane Graph Representations for Motion Forecasting [92.88572392790623]
  生の地図データからレーングラフを構築し,地図構造を保存する。 我々は,アクター・トゥ・レーン,レーン・トゥ・レーン,レーン・トゥ・アクター,アクター・トゥ・アクターの4種類のインタラクションからなる融合ネットワークを利用する。 提案手法は,大規模Argoverse運動予測ベンチマークにおいて,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-27T17:59:49Z)
• 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。