論文の概要: Learning Lane-Structured Conditioning Fields for Online HD Mapping

• arxiv url: http://arxiv.org/abs/2610.25284v1
• Date: Sun, 18 Oct 2026 14:04:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 22:23:46.887386
• Title: Learning Lane-Structured Conditioning Fields for Online HD Mapping
• Title（参考訳）: オンラインHDマッピングのためのレーン構造条件付きフィールドの学習
• Abstract要約: レーン・フィールド (Lane Field) は、各場所で局所的なレーン構造を符号化する密度の高いBEV配向表現である。 本稿では,2つの相補的なメカニズムを通じて,オンラインHDマッピングを強化するプラグイン・アンド・プレイフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.24113960072537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-definition maps provide critical structural information for downstream autonomous driving tasks. Recent methods increasingly rely on external priors to improve prediction accuracy and robustness. Yet, existing prior representations expose a trade-off: dense rasters are easy to integrate but ignore certain map geometric properties, while sparse vectors preserve geometric structure but require dedicated encoders and are difficult to plug into existing architectures. Moreover, external priors can be inaccurate, costly to acquire, or difficult to maintain, motivating a structural representation that can provide geometric guidance while remaining learnable and broadly applicable. We address this limitation with the Lane Field, a dense BEV-aligned geometric representation that encodes local lane structure at each spatial location and can be either predicted from onboard observations or constructed from external map priors. Building on this representation, we introduce a plug-and-play framework that enhances online HD mapping through two complementary mechanisms: BEV feature modulation, which injects lane-structured cues into latent BEV features, and deformable attention guidance, which steers query sampling toward the underlying lane geometry. We primarily evaluate our method on OpenLane-V2, showing that conditioning BEV features and guiding deformable attention with local lane geometry enables our framework to consistently improve existing methods and achieve state-of-the-art performance on lane segment perception. Project page: https://andberto.github.io/LaneField/
• Abstract（参考訳）: 高精細地図は下流の自動運転タスクに重要な構造情報を提供する。 最近の手法は、予測精度と堅牢性を改善するために、外部の先行技術にますます依存している。 密接なラスタは容易に統合できるが、特定の地図幾何学的性質は無視できるが、疎いベクトルは幾何学的構造を保存するが、専用のエンコーダを必要とし、既存のアーキテクチャに差し込むのが難しい。 さらに、外部の事前情報は不正確で、入手しやすく、維持が困難であり、学習可能で広く適用可能な幾何学的ガイダンスを提供する構造的表現を動機付けることができる。 この制限は、各空間位置で局所レーン構造を符号化し、オンボード観測から予測したり、外部マップから構築したりできる、密度の高いBEV配向幾何表現であるレーン場(Lane Field)に対処する。 この表現に基づいて,2つの相補的なメカニズムによりオンラインHDマッピングを向上するプラグイン・アンド・プレイ・フレームワークを導入する。 提案手法をOpenLane-V2上で評価し,BEV特徴の条件付けと局所レーン形状による変形性注意の誘導により,既存の手法を一貫して改善し,車線セグメント認識における最先端性能を実現することができることを示す。 プロジェクトページ: https://andberto.github.io/LaneField/

関連論文リスト

• ProjFormer: Point Cloud Completion via Geometric-Projective Transformer and Cross-Modal Semantic Constraints [50.4059685962603]
  ProjFormerは、明示的なプロジェクションと適応的な特徴ルーティングを通じて、幾何学的に一貫性のある2D-3Dインタラクションを強制するクロスモーダルフレームワークである。 実験によると、軽量な設計の下で、ProjFormerは、構造的完全性を改善した競争力のあるパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2026-08-15T08:05:48Z)
• HGeo-TopoMap: Boosting Topological Mapping with Hierarchical Geometric Priors [21.87112367760861]
  トポロジカルマップは自律運転認識システムの重要な出力であり、経路計画に不可欠な道路情報を提供する。 現実世界の環境において、センターラインに対する明示的なマーキングが欠如しているため、センターラインインスタンスの検出は依然として重大な課題である。 本研究では,HGeo-TopoMapを提案する。HGeo-TopoMapは明示的な事前マップと暗黙的な空間関係を利用して,階層的にトポロジカルマッピングを促進する。
  論文  参考訳（メタデータ） (2026-07-23T13:02:18Z)
• LiAuto-GeoX: Efficient Grounded Driving Transformer [54.23823436153608]
  デプロイ可能なエゴ中心の3Dシーン理解のための効率的な基底駆動トランスフォーマである textbfLiAuto-GeoX を提案する。 textbfLiAuto-GeoX は KITTI 上で 220 FPS で動作し,高忠実度高密度化を保ち,リアルタイムな展開を実現している。
  論文  参考訳（メタデータ） (2026-06-04T06:58:44Z)
• Z-FLoc: Zero-Shot Floorplan Localization via Geometric Primitives [72.63181031215858]
  そこで本研究では,ゼロショットフロアプランのローカライズ手法を提案する。 我々の重要な洞察は、支配的な幾何学的プリミティブが人間が作った環境でユビキタスであることである。 シミュレーションと実世界の両方のデータセットの実験により、我々のアプローチは、目に見えない環境における最先端の学習ベースの手法よりも優れています。
  論文  参考訳（メタデータ） (2026-06-03T12:14:24Z)
• GA-VLN: Geometry-Aware BEV Representation for Efficient Vision-Language Navigation [75.85672467847631]
  本稿では,3次元のコンパクトな特徴表現であるGeometry-Aware BEV (GA-BEV)を紹介する。 視覚的特徴を3次元空間に投影することで,RGB-D入力からBEV空間マップを構築する。 我々は,BEV空間に事前訓練された3Dファンデーションモデルの特徴を取り入れ,大規模3D再構築作業から学んだ構造的先行を注入する。
  論文  参考訳（メタデータ） (2026-05-21T06:20:17Z)
• Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
  本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。 モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
  論文  参考訳（メタデータ） (2026-05-16T12:01:04Z)
• MapGCLR: Geospatial Contrastive Learning of Representations for Online Vectorized HD Map Construction [44.37176678126708]
  自動運転車は周囲の世界を理解するために地図情報に依存している。 よりスケーラブルな代替手段は、オンラインのHDマップ構築にある。 本研究は、ベクトル化されたオンラインHDマップ構築モデルにおいて、潜伏鳥眼ビュー(BEV)特徴グリッド表現を改善することに焦点を当てる。 我々は、単一トラバーサルラベル付きデータの縮小セットを用いて教師付き同じモデルを訓練し、マルチトラバーサル要求に従ってより広範なラベル付きデータセットに基づいて自己教師する。
  論文  参考訳（メタデータ） (2026-03-11T11:58:23Z)
• TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
  我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。 我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。 レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
  論文  参考訳（メタデータ） (2024-11-22T06:13:42Z)
• GenMapping: Unleashing the Potential of Inverse Perspective Mapping for Robust Online HD Map Construction [20.1127163541618]
  我々はGenMappingというユニバーサルマップ生成フレームワークを設計した。 このフレームワークは、主および二重補助枝を含む三進的なシナジーアーキテクチャで構築されている。 実験結果の網羅的な配列から,提案手法はセマンティックマッピングとベクトル化マッピングの両方において最先端の手法を超越し,高速な推論速度を維持した。
  論文  参考訳（メタデータ） (2024-09-13T10:15:28Z)
• LaneCPP: Continuous 3D Lane Detection using Physical Priors [45.52331418900137]
  レーンCPPは、車線構造と道路形状に関する物理的事前知識を活用する連続した3次元車線検出モデルを用いる。 コントリビューションのメリットを示し、3次元車線検出をより堅牢にするための事前利用の意義を実証する。
  論文  参考訳（メタデータ） (2024-06-12T16:31:06Z)

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。