論文の概要: A Unified Benchmark for Aerial-Enhanced Autonomous Driving: The KITScenes Aerial Dataset

• arxiv url: http://arxiv.org/abs/2610.40455v1
• Date: Thu, 29 Oct 2026 17:01:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 07:03:40.04185
• Title: A Unified Benchmark for Aerial-Enhanced Autonomous Driving: The KITScenes Aerial Dataset
• Title（参考訳）: 航空強化自律運転のための統一ベンチマーク:KITScenes Aerial Dataset
• Abstract要約: KITScenes Aerialは、オンボードセンサーデータ、車両ポーズ、リッチなLanelet2マップアノテーションを拡張したKITScenes Multimodalデータセットの拡張である。 地図評価は, 異なるモデル設計, 空間範囲, 空中分解能の異なるすべての KITScenes マップクラスに焦点をあてる。
• 参考スコア（独自算出の注目度）: 12.290787996572208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aerial imagery provides complementary spatial context for autonomous driving by exposing road structure beyond the immediate perception range of onboard sensors. Yet map construction from aerial imagery, aerial-assisted online HD mapping, and cross-view localization are typically studied on separate data and benchmarks. We introduce KITScenes Aerial, an extension of the KITScenes Multimodal dataset that augments synchronized onboard sensor data, vehicle poses, and rich Lanelet2 map annotations with spatially associated aerial imagery and higher-resolution neural representations, providing a common basis for a variety of research tasks. Our mapping evaluation focuses on all 53 KITScenes map classes across different model designs, spatial ranges, and aerial resolutions, while retaining compatibility with the widely used three-class setting. Representative baselines show that aerial context is particularly beneficial for fine-grained and extended-range mapping, more than doubling 53-class mAP at the larger mapping extent. Higher-resolution aerial imagery yields a further 4.3 mAP (+24 %) improvement, with gains extending to challenging map elements such as traffic lights. We additionally evaluate cross-view localization under geographically disjoint conditions, where an adapted fine-grained feature-matching baseline achieves a mean translation error of 5.13 m. KITScenes Aerial thus enables unified study of aerial and ground-level information across complementary mapping and localization tasks. Project page: https://kitscenes.com/aerial
• Abstract（参考訳）: 航空画像は、車載センサーの即時認識範囲を超えて道路構造を露出させることにより、自律走行のための補完的な空間的コンテキストを提供する。 しかし、航空画像からのマップ構築、航空支援オンラインHDマッピング、およびクロスビューローカライゼーションは、通常、別々のデータとベンチマークで研究される。 KITScenes Multimodal データセットの拡張である KITScenes Aerial を導入し、車載センサーデータ、車両ポーズ、リッチなLanelet2 マップアノテーションを空間的に関連付けられた空中画像と高解像度のニューラル表現で拡張し、様々な研究課題の共通基盤を提供する。 地図評価では, 異なるモデル設計, 空間範囲, 空中分解能をまたいだ 53 KITScenes マップの全クラスに焦点を合わせながら, 広く使用されている3クラス設定との整合性を維持した。 代表的ベースラインは、53クラスのmAPをより大きなマッピング範囲で倍増させるよりも、細粒度で拡張範囲のマッピングにおいて特に有益であることを示している。 高解像度の航空画像はさらに4.3 mAP (+24 %) の改善をもたらし、信号機のような挑戦的な地図要素にまで伸びている。 また,地理的に不連続な条件下では,微粒な特徴マッチングベースラインが平均翻訳誤差5.13mを達成した場合のクロスビューローカライゼーションを評価した。 これにより、KITScenes Aerialは、補完的なマッピングとローカライゼーションタスクを通して、空中および地上レベルの情報を統一的に研究することができる。 プロジェクトページ: https://kitscenes.com/aerial

関連論文リスト

• AerialMetric: Benchmarking and Adapting UAV Monocular Metric Depth Estimation in the Real World [75.54693105865003]
  AerialMetricは,UAV空中視点下での単分子メートル法深度推定の適応性を評価するためのベンチマークデータセットである。 AerialMetricは、52Kの現実世界と16Kの合成画像深度対を信頼できる計量基底真理で提供する。
  論文  参考訳（メタデータ） (2026-06-29T02:48:47Z)
• SpatialUAV: Benchmarking Spatial Intelligence for Low-Altitude UAV Perception, Collaboration, and Motion [76.8430169655641]
  空間知能は、低高度無人航空機(UAV)の認識、協調、航行に不可欠である。 本研究では,実際の低高度UAVベンチマークであるSpatialUAVを紹介した。 現状のモデルは, クロスビュー・アソシエーション, 構造的グラウンドリング, 幾何学的推論, 時間的視点理解において, 明らかなボトルネックを伴って, 人間のレベル・パフォーマンスから遠ざかっていることを示す。
  論文  参考訳（メタデータ） (2026-06-26T09:16:55Z)
• AID4AD: Aerial Image Data for Automated Driving Perception [1.5749416770494704]
  AID4ADは、局所座標系に正確に整合した高解像度の空中画像でnuScenesを増強するデータセットである。 航空画像は, 地図構築精度が15～23%向上し, 軌道予測性能が2%向上したことを示す。 その結果,自動走行車システムにおける環境コンテキストのスケーラブルで適応可能な源として,航空画像の可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-08-04T07:38:18Z)
• EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
  制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。 また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。 CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2025-04-28T02:41:12Z)
• AerialVG: A Challenging Benchmark for Aerial Visual Grounding by Exploring Positional Relations [51.44608822712786]
  ビジュアルグラウンドイングは、自然言語記述に基づいたイメージ内のターゲットオブジェクトのローカライズを目的としている。 AerialVGは、例えば外見に基づく接地は、複数の視覚的に類似した物体を識別するには不十分である。 5Kの空中画像,50Kの注釈付き記述,103Kのオブジェクトからなる,最初のAerialVGデータセットを紹介した。
  論文  参考訳（メタデータ） (2025-04-10T15:13:00Z)
• Griffin: Aerial-Ground Cooperative Detection and Tracking Dataset and Benchmark [15.405137983083875]
  航空と地上の協力は、UAVの空中視界と地上の車両の局部的な観測を統合することで、有望な解決策を提供する。 本稿では,3つの重要な貢献を通じて,地上3次元協調認識のための包括的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-03-10T07:00:07Z)
• Pixel to Elevation: Learning to Predict Elevation Maps at Long Range using Images for Autonomous Offroad Navigation [10.898724668444125]
  本稿では,車載エゴセントリック画像のみをリアルタイムに利用して,長距離の地形標高マップを予測できる学習型アプローチを提案する。 複雑で非構造的な地形における自律型オフロードロボットナビゲーションへの提案手法の適用性を実験的に検証した。
  論文  参考訳（メタデータ） (2024-01-30T22:37:24Z)
• Satellite Image Based Cross-view Localization for Autonomous Vehicle [59.72040418584396]
  本稿では,市販の高精細衛星画像を使用可能な地図として利用することにより,良好な精度でクロスビュー車両のローカライゼーションを実現することができることを示す。 本手法はKITTIとFord Multi-AVの季節データセットを地上ビューとして,Google Mapsを衛星ビューとして検証した。
  論文  参考訳（メタデータ） (2022-07-27T13:16:39Z)
• GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments [54.21959527308051]
  本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。 本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。 RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
  論文  参考訳（メタデータ） (2021-03-07T02:16:24Z)

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。