論文の概要: Drive3R: Block-wise Streaming Geometric Foundation Models for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2610.15112v1
• Date: Sat, 10 Oct 2026 18:35:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 02:30:45.61305
• Title: Drive3R: Block-wise Streaming Geometric Foundation Models for Autonomous Driving
• Title（参考訳）: Drive3R: 自動運転のためのブロックワイドな幾何学的基礎モデル
• Abstract要約: Drive3Rはブロック単位でストリーミングされる幾何学的基礎モデルである。 局所的な将来の文脈の喪失を回避しつつ、完全な双方向の注意のボトルネックを解消する。 nuScenes、KITTI、AbsRelに新たな最先端技術を確立する。
• 参考スコア（独自算出の注目度）: 33.26856050250784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity closed-loop simulation for autonomous driving increasingly relies on dense multi-view 3D reconstruction. While recent feed-forward geometric foundation models have revolutionized per-scene optimization, applying them to continuous, long-horizon driving sequences is computationally intractable due to GPU memory limits and the quadratic complexity of global attention. Existing scaling strategies are fundamentally limited, as causal streaming suffers from compounding scale drift and trajectory deviation, while rigid "chunk-then-align" heuristics fragment global context and produce trajectory discontinuities. To address these limitations, we introduce Drive3R, a block-wise streaming geometric foundation model. Its block-wise causal attention resolves the scalability bottleneck of fully bidirectional attention while avoiding the loss of local future context in purely causal streaming. Its confidence-aware re-anchoring further mitigates long-range drift by detecting unreliable streaming states, re-initializing the KV cache, and stitching refreshed segments through SE(3) alignment. Extensive experiments demonstrate that Drive3R establishes a new state-of-the-art on nuScenes, KITTI, and Waymo. Specifically, on nuScenes, it improves over the recent DVGT-2 baseline from 0.1806 to 0.1081 in AbsRel, from 0.6750 to 0.5344 in point-cloud Accuracy, and from 1.5812 to 0.9092 in ATE.
• Abstract（参考訳）: 自律運転のための高忠実度閉ループシミュレーションは、密集した多視点3D再構成にますます依存している。 最近のフィードフォワード幾何学的基礎モデルは、シーンごとの最適化に革命をもたらしたが、GPUメモリの限界と世界的注目の二次的複雑さのために、連続した長距離駆動シーケンスに適用することは、計算的に困難である。 既存のスケーリング戦略は基本的に制限されており、因果的ストリーミングは複雑なスケールドリフトと軌跡偏差に悩まされ、厳密な「チャンク・アライン」ヒューリスティックスはグローバルな文脈を断片化し、軌跡不連続を生み出す。 これらの制約に対処するため,ブロックワイドなストリーミング幾何基礎モデルであるDrive3Rを導入する。 そのブロックワイズ因果的注意は、純粋に因果的ストリーミングにおける局所的な将来のコンテキストの喪失を回避しつつ、完全な双方向的注意のスケーラビリティボトルネックを解決する。 信頼性を意識した再アンカリングは、信頼性の低いストリーミング状態を検出し、KVキャッシュを再起動し、SE(3)アライメントを介してリフレッシュされたセグメントを縫合することで、さらに長距離ドリフトを緩和する。 大規模な実験では、Drive3RがnuScenes、KITTI、Waymoに新たな最先端技術を確立することが示されている。 特にnuScenesでは、最近のDVGT-2ベースラインを AbsRel の 0.1806 から 0.1081 に、ポイントクラウドの 0.6750 から 0.5344 に、ATE の 1.5812 から 0.9092 に改善している。

関連論文リスト

• VGGT-Align: Bridging Local Reconstruction and Global Consistency for Long-Sequence 3D Reconstruction [8.983872448985627]
  本稿では,シーンを駆動するなどの構造的環境において,時間的セグメント間での幾何量の変化は本質的に不変である,という重要な洞察に基づいて構築されたスケール一貫性向上フレームワークを提案する。 SGIA(Scene Geometric Invariant Anchoring)を提案する。 複数のロングシーケンスベンチマークの実験では、最先端の性能を示し、絶対軌道誤差を最大32%削減し、軌道安定性と復元品質を大きく向上させた。
  論文  参考訳（メタデータ） (2026-08-15T14:32:55Z)
• CausalDrive: Real-time Causal World Models for Autonomous Driving [60.66609721457312]
  制御可能でリアルタイムなファンデーション駆動の世界であるCausalDriveを紹介します。 CaulDriveは、最初のフロントビューフレーム、エゴ車両の軌道、マクロテキストプロンプトのみで動作する。 本稿では,(1)衝突アーティファクトを著しく緩和した生成的クローズループ評価,(2)ビデオ2Rewardモジュールによる大規模強化学習(RL)後トレーニング,(3)リアルタイムの人間-イン-ザ・ループシミュレーション,の3つのダウンストリームアプリケーションにおける汎用性を実証する。
  論文  参考訳（メタデータ） (2026-06-13T15:04:44Z)
• Think as Needed: Geometry-Driven Adaptive Perception for Autonomous Driving [4.320171553006484]
  現在の3D検出モデルは、すべてのフレームに固定された計算予算を適用し、単純なシーンでリソースを浪費すると同時に、複雑なシーンのキャパシティを欠いている。 本稿では,各LiDARフレームの幾何学的複雑さを測定する適応型知覚アーキテクチャである拡張HOPEを提案する。 nuScenesとCARLAのベンチマークでは、強化HOPEは、正確さを損なわずに単純なシーンでのレイテンシを38%削減し、稀なロングテールシナリオでは平均平均精度を2.7ポイント改善している。
  論文  参考訳（メタデータ） (2026-05-11T07:34:13Z)
• Geometric Context Transformer for Streaming 3D Reconstruction [51.19524805829903]
  LingBot-Mapは、ストリーミングデータからシーンを再構築するためのフィードフォワード3Dファウンデーションモデルである。 LingBot-Mapの定義的な側面は、アンカーコンテキスト、ポーズ参照ウィンドウ、トラジェクトリメモリを統合した、慎重に設計されたアテンションメカニズムにある。 この設計は、リッチな幾何学的コンテキストを維持しながら、ストリーミング状態をコンパクトに保ち、518 x 378の解像度入力に対して、20FPS程度の安定した効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2026-04-15T17:58:13Z)
• SSR: A Training-Free Approach for Streaming 3D Reconstruction [53.19807901585702]
  自己表現型シーケンス規則化(Self Expressive Sequence Regularization、SSR)は、推論中にグラスマン列の正則性を強制するプラグアンドプレイ演算子である。 本研究では,SSRが連続的にドリフトを低減し,複数のストリーミング3D再構成タスクにおける再構成品質を向上させることを示す。
  論文  参考訳（メタデータ） (2026-03-16T02:55:14Z)
• OVGGT: O(1) Constant-Cost Streaming Visual Geometry Transformer [14.628152488797356]
  OVGGTはトレーニング不要のフレームワークで、メモリと計算を、シーケンスの長さに関わらず固定予算にバウンドする。 我々は,OVGGTが一定のVRAMエンベロープ内で任意の長さのビデオを処理し,最先端の3D幾何精度を実現していることを示す。
  論文  参考訳（メタデータ） (2026-03-06T06:44:17Z)
• LoGeR: Long-Context Geometric Reconstruction with Hybrid Memory [97.14005794889134]
  提案するLoGeRは,高密度な3次元再構成を,後最適化なしで極めて長いシーケンスに拡張する新しいアーキテクチャである。 LoGeRはビデオストリームをチャンクで処理し、高忠実度なチャンク内推論に強力な双方向の事前処理を活用する。 このメモリアーキテクチャにより、LoGeRは128フレームのシーケンスでトレーニングでき、推論中に数千フレームまで一般化できる。
  論文  参考訳（メタデータ） (2026-03-03T18:55:37Z)
• ParkingTwin: Training-Free Streaming 3D Reconstruction for Parking-Lot Digital Twins [8.681741531117366]
  ParkingTwinは、オンラインストリーミング3D再構築のためのトレーニング不要で軽量なシステムである。 エントリーレベルのGTX 1660では30FPS以上で動作する。
  論文  参考訳（メタデータ） (2026-01-20T08:03:58Z)
• Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
  我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。 既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。 我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T06:35:18Z)
• Latency-aware Road Anomaly Segmentation in Videos: A Photorealistic Dataset and New Metrics [15.09892709945568]
  自動運転のための最初のビデオ異常セグメンテーションデータセットをコントリビュートする。 我々のデータセットは、60FPSのフレームレートで12万の高解像度フレームで構成され、7つの異なる町で記録されている。 時間的一貫性とレイテンシ対応のストリーミング精度の2つの新しい指標に注目します。
  論文  参考訳（メタデータ） (2024-01-10T05:38:48Z)

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。