論文の概要: Road Infrastructure Perception for Autonomous Driving: Taxonomy, Representations, Tasks, and Challenges

• arxiv url: http://arxiv.org/abs/2610.33758v1
• Date: Sat, 24 Oct 2026 16:01:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.438031
• Title: Road Infrastructure Perception for Autonomous Driving: Taxonomy, Representations, Tasks, and Challenges
• Title（参考訳）: 自動運転のための道路インフラ認識--分類・表現・課題・課題
• Abstract要約: 道路インフラの認識は自動運転の基本的な構成要素である。 本調査は,道路インフラの認識を地図対応・行動関連自動運転シーン理解のための一貫性のある基盤として確立することを目的とする。
• 参考スコア（独自算出の注目度）: 14.349801544593168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Road infrastructure perception is a fundamental component of autonomous driving, as it recovers the structured road elements that define roadway geometry, delimit operational space, and encode traffic regulations. Although individual tasks such as lane detection, drivable-space estimation, traffic-sign recognition, and online map construction have been extensively studied, the field remains fragmented across task definitions, sensing assumptions, output representations, datasets, and evaluation protocols. This survey provides a function-oriented synthesis of road infrastructure perception. We first clarify its scope and organize existing studies into three complementary categories: geometric-structural, functional-spatial, and regulatory-semantic infrastructure. Based on this taxonomy, we review sensing modalities, scene representations, representative methods, benchmarks, and evaluation protocols, emphasizing the field's evolution from image-space recognition toward metric, vectorized, topology-aware, occupancy-based, and rule-grounded scene modeling. We further examine how representation choices affect evaluation and downstream usability, revealing limitations of current benchmarks in relation reasoning, temporal consistency, robustness, and planning-oriented assessment. Finally, we discuss open challenges and future directions toward unified infrastructure representation, open-environment generalization, relation- and rule-aware reasoning, and downstream-oriented evaluation. By connecting tasks, representations, and evaluation under a common functional framework, this survey aims to establish road infrastructure perception as a coherent foundation for map-compatible and behavior-relevant autonomous-driving scene understanding.
• Abstract（参考訳）: 道路インフラストラクチャ認識は、道路形状を定義し、運用空間を分割し、交通規制を符号化する構造化道路要素を復元する、自動運転の基本的な構成要素である。 レーン検出、ドライビングスペース推定、交通信号認識、オンラインマップ構築といった個々のタスクは広く研究されているが、フィールドはタスク定義、推定仮定、出力表現、データセット、評価プロトコルで断片化されている。 このサーベイは道路インフラの知覚を機能指向で合成する。 まず、その範囲を明確にし、既存の研究を、幾何学的構造、機能的空間的、規制的セマンティックなインフラという3つの補完的なカテゴリに分類する。 この分類法に基づき,画像空間認識から距離化,ベクトル化,トポロジ認識,占有率ベース,ルールグラウンドドシーンモデリングに至るまでの分野の進化に着目し,感性,シーン表現,代表的手法,ベンチマーク,評価プロトコルを概観する。 さらに、表現の選択が評価や下流のユーザビリティにどう影響するかを考察し、関係推論、時間的一貫性、堅牢性、計画指向評価における現在のベンチマークの限界を明らかにする。 最後に,インフラの統一化に向けたオープン課題と今後の方向性,オープン環境の一般化,関係性およびルール認識推論,下流指向評価について論じる。 本研究は,共通機能的枠組みの下でタスク,表現,評価を接続することにより,地図に適合した行動関連自動運転シーン理解のためのコヒーレントな基盤として,道路インフラの認識を確立することを目的とする。

関連論文リスト

• Planning-Oriented End-to-End Autonomous Driving: Architectures, Evaluation, and Emerging Paradigms [33.863182759843845]
  エンド・ツー・エンドの自動運転は、カメラ・ツー・コントロール・レグレッションから計画指向システムへと進化してきた。 本調査では, 行動クローニング, 条件付き模倣学習, 特権蒸留, BEV, ベクトル化計画の変遷を概観する。 現代のエンド・ツー・エンド・ドライブにおける重要な違いは、中間表現が使用されるかどうかではなく、それらが安全で実現可能で経路に準拠した計画を支援するために学習、監督、評価されるかどうかである。
  論文  参考訳（メタデータ） (2026-08-20T14:41:36Z)
• Interactive Evaluation Requires a Design Science [90.62695599188204]
  大規模言語モデル(LLM)は、ツールや環境、ユーザ、その他のエージェントを通じて、時間とともに機能するシステムとして、ますます多くデプロイされている。 フィールドはインタラクティブなベンチマークを構築し始めたが、その結果のランドスケープは断片化されている。 本論では,対話的評価は原則的評価パラダイムとして扱うべきであると論じる。
  論文  参考訳（メタデータ） (2026-05-18T04:03:18Z)
• RoadSceneBench: A Lightweight Benchmark for Mid-Level Road Scene Understanding [8.824330786267184]
  RoadSceneBenchは複雑な道路環境における視覚的推論の評価と進歩を目的としたベンチマークである。 大規模な認識とは異なり、RoadSceneBenchはリレーショナル理解と構造的一貫性を強調している。 本手法は様々な道路構成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-11-27T13:57:31Z)
• To New Beginnings: A Survey of Unified Perception in Autonomous Vehicle Software [9.358517073480542]
  統合された認識の包括的概要を提供し、タスク統合、追跡定式化、表現フローに沿ってメソッドを分類する包括的で体系的な分類を導入した。 この研究は、統合された知覚を理解し、進化させるための最初の包括的な枠組みを確立し、断片化された努力を統合し、より堅牢で、一般化可能で、解釈可能な知覚に向けて将来の研究を導く。
  論文  参考訳（メタデータ） (2025-08-28T15:20:35Z)
• Unifying Lane-Level Traffic Prediction from a Graph Structural Perspective: Benchmark and Baseline [21.37853568400125]
  本稿では,レーンレベルの交通予測のための最初の体系的分類フレームワークについて述べる。 我々は,2つの実世界の道路網から3つの代表的データセットを構築し,レギュラーレーン構成と不規則レーン構成の両方を網羅した。 この統合されたフレームワークは、データセットとモデリングパラダイムをまたいだ一貫した評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-22T04:21:40Z)
• OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
  交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。 様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
  論文  参考訳（メタデータ） (2023-04-20T16:31:22Z)
• Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
  TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。 TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
  論文  参考訳（メタデータ） (2023-04-11T15:23:29Z)
• RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent Vehicle in Complex Environments [72.04891523115535]
  本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。 実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
  論文  参考訳（メタデータ） (2022-07-16T12:40:17Z)
• Infrastructure-Based Object Detection and Tracking for Cooperative Driving Automation: A Survey [16.20885642028316]
  インフラベースの物体検出・追跡システムは、連結車両の知覚能力を高めることができる。 現在の機会、オープンな問題、今後のトレンドを指摘するために行われた議論。
  論文  参考訳（メタデータ） (2022-01-28T00:55:24Z)

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。