論文の概要: ObjectGuidedMap: An Object-Aware Model for Robust Bird's Eye View Map Prediction in High-Occlusion Scenarios

• arxiv url: http://arxiv.org/abs/2610.41834v1
• Date: Fri, 30 Oct 2026 14:51:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.778577
• Title: ObjectGuidedMap: An Object-Aware Model for Robust Bird's Eye View Map Prediction in High-Occlusion Scenarios
• Title（参考訳）: ObjectGuidedMap: ハイオクルージョンシナリオにおけるロバストバードのアイビューマップ予測のためのオブジェクト認識モデル
• Abstract要約: 既存のBEVマップ予測モデルは、オブジェクトレベルのシーン理解とは独立して動作する。 本稿では,BEVマップと3Dオブジェクトを共同で予測するマルチタスクアーキテクチャを提案する。 提案手法は,BEVマップの予測精度を常に向上することを示す。
• 参考スコア（独自算出の注目度）: 11.504021527427431
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate BEV map prediction is a critical component of autonomous driving systems, enabling downstream planning and control. Recent approaches such as Mask2Map achieve strong performance by predicting vectorized, instance-level map elements directly from multi-view images. However, existing BEV map prediction models operate largely independently of object-level scene understanding, despite the fact that traffic participants frequently occlude or implicitly encode information about road geometry. In this work, we propose a multitask architecture that jointly predicts BEV maps and 3D objects, explicitly enabling information exchange between the two tasks. Building upon Mask2Map, we introduce an object detection branch and incorporate cross-task feature fusion at both the BEV feature level and the instance-query level via deformable attention and cross-attention mechanisms. This design allows map instances to leverage object context while remaining robust to occlusions caused by traffic participants. Experimental results on the nuScenes and Argoverse 2 datasets demonstrate that our approach consistently improves BEV map prediction accuracy, with particularly significant gains of 21% mAP in scenes containing heavy object occlusion.
• Abstract（参考訳）: 正確なBEVマップ予測は、下流の計画と制御を可能にする自律運転システムの重要なコンポーネントである。 Mask2Mapのような最近のアプローチは、ベクトル化されたインスタンスレベルのマップ要素を直接マルチビュー画像から予測することで、強力なパフォーマンスを実現している。 しかしながら、既存のBEVマップ予測モデルは、交通関係者が道路形状に関する情報をしばしば隠蔽または暗黙的にエンコードしているにもかかわらず、オブジェクトレベルのシーン理解とは独立して動作している。 本研究では,BEVマップと3Dオブジェクトを協調的に予測し,両タスク間の情報交換を可能にするマルチタスクアーキテクチャを提案する。 Mask2Mapをベースとして,オブジェクト検出ブランチを導入し,BEV特徴レベルとインスタンスクエリレベルの両方に,変形可能な注目機構とクロスアテンション機構によるクロスタスク機能融合を組み込む。 この設計により、Mapインスタンスは、トラフィック参加者によって引き起こされる閉塞に対して堅牢なまま、オブジェクトコンテキストを活用することができる。 nuScenesとArgoverse 2データセットによる実験結果から,重物体の閉塞を含むシーンでは,BEVマップの予測精度が向上し,特に21% mAPが顕著に向上したことが明らかとなった。

関連論文リスト

• 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)
• VQ-Map: Bird's-Eye-View Map Layout Estimation in Tokenized Discrete Space via Vector Quantization [108.68014173017583]
  Bird's-eye-view (BEV) マップのレイアウト推定には、エゴ車の周囲の環境要素のセマンティクスを正確に完全に理解する必要がある。 本稿では,Vector Quantized-Variational AutoEncoder (VQ-VAE) に似た生成モデルを用いて,トークン化された離散空間における高レベルのBEVセマンティクスの事前知識を取得することを提案する。 得られたBEVトークンには,異なるBEV要素のセマンティクスを包含したコードブックが組み込まれているため,スパースバックボーン画像特徴と得られたBEVトークンとを直接一致させることができる。
  論文  参考訳（メタデータ） (2024-11-03T16:09:47Z)
• MaskBEV: Towards A Unified Framework for BEV Detection and Map Segmentation [14.67253585778639]
  MaskBEVは、マスキングによるマルチタスク学習パラダイムである。 3Dオブジェクトの検出と鳥の目視(BEV)マップのセグメンテーションを統一する。 3Dオブジェクト検出の1.3 NDS改善とBEVマップセグメンテーションの2.7 mIoU改善を実現している。
  論文  参考訳（メタデータ） (2024-08-17T07:11:38Z)
• DeTra: A Unified Model for Object Detection and Trajectory Forecasting [68.85128937305697]
  提案手法は,2つのタスクの結合を軌道修正問題として定式化する。 この統合タスクに対処するために、オブジェクトの存在, ポーズ, マルチモーダルな将来の振る舞いを推測する精細化変換器を設計する。 実験では、我々のモデルはArgoverse 2 Sensor and Openデータセットの最先端性よりも優れています。
  論文  参考訳（メタデータ） (2024-06-06T18:12:04Z)
• LetsMap: Unsupervised Representation Learning for Semantic BEV Mapping [23.366388601110913]
  本稿では,FV画像からセマンティックなBEVマップをラベル効率よく生成するための,教師なし表現学習手法を提案する。 提案手法は,2つの解離したニューラルパスを教師なし方式で,シーン幾何学とシーン意味論を独立に推論するために,ネットワークを事前訓練する。 本研究では,FV画像の空間的・時間的整合性を利用して,シーン表現を符号化する新しい時間的マスク付きオートエンコーダの定式化に依存しながら,シーン形状を学習する。
  論文  参考訳（メタデータ） (2024-05-29T08:03:36Z)
• Improving Hierarchical Representations of Vectorized HD Maps with Perspective Clues [20.730599565199935]
  我々は、インスタンスとポイントの両レベルでの視点的特徴からヒントを利用するPerCMapを提案する。 PerCMapは、それぞれ67.1mAPと70.5mAPに到達し、ベンチマーク全体で強力で一貫したパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-04-17T08:08:34Z)
• Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
  本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。 我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
  論文  参考訳（メタデータ） (2022-11-15T13:52:41Z)
• BEVerse: Unified Perception and Prediction in Birds-Eye-View for Vision-Centric Autonomous Driving [92.05963633802979]
  マルチカメラシステムに基づく3次元認識と予測のための統合フレームワークであるBEVerseを提案する。 マルチタスクBEVerseは3次元オブジェクト検出,セマンティックマップ構築,動き予測において単一タスク法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-19T17:55:35Z)
• "The Pedestrian next to the Lamppost" Adaptive Object Graphs for Better Instantaneous Mapping [45.94778766867247]
  1つの画像から意味的に区切られた鳥の目視マップを推定することは、自律的な制御とナビゲーションの一般的な技術となっている。 カメラからの距離による位置推定誤差の増加を示す。 本稿では,物体の空間的推論により,BEV物体を単眼画像から予測するグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-04-06T17:23:13Z)

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。