自動運転/地図生成/動作予測2026/3/1arXiv:2603.20076

不確実性が重要：自動運転における動作予測のための構造化確率的オンラインマッピング

Uncertainty Matters: Structured Probabilistic Online Mapping for Motion Prediction in Autonomous Driving

オンライン地図生成を確率的タスクとして扱い、低ランク＋対角成分の共分散分解で空間的相関を捉える不確実性モデルを提案し、地図生成と動作予測の精度を向上させた。

詳しい要約

1. どんなもの？

- 自動運転の知覚・予測・計画パイプラインにおけるオンライン地図生成と軌道予測のための不確実性を考慮した手法。 - 従来のベクトル化地図モデルは決定論的で構造的不確実性を無視。 - 提案手法は要素内依存性を明示的にモデル化し、密な共分散行列を予測。 - 低ランク+対角（LRPD）共分散分解により、計算コストを抑えつつ空間相関を捉える。 - nuScenesデータセットで評価し、地図生成品質と地図ベースの運動予測で改善を達成。

2. 先行研究と比べてどこがすごい？

- 従来のベクトル化地図モデルは決定論的で不確実性を捨てていた。 - 既存の確率的手法は対角共分散行列に依存し、点間の独立性を仮定していたため、道路形状の強い空間相関を捉えられなかった。 - 提案手法は密な共分散行列をLRPD分解でパラメータ化し、全共分散行列の prohibitive な計算コストなしに幾何相関を捉える。 - 決定論的ベースラインと比較してオンライン地図生成品質が一貫して改善。 - 地図ベースの運動予測で新たな state-of-the-art を達成。

3. 技術・手法の肝は？

- オンライン地図生成のための構造的確率定式化を提案。 - 要素内依存性を明示的にモデル化するため、密な共分散行列を予測。 - 共分散行列を Low-Rank plus Diagonal (LRPD) 分解でパラメータ化。 - 低ランク成分がグローバルな空間構造を捉え、対角成分が独立な局所ノイズを表現。 - これにより全共分散行列の計算コストを回避しつつ幾何相関を捕捉。

4. どうやって有効だと検証した？

- nuScenes データセットで評価。 - 不確実性を考慮したフレームワークが決定論的ベースラインと比較してオンライン地図生成品質を一貫して改善することを示した。 - 地図ベースの運動予測において新たな state-of-the-art 性能を確立。 - 計画タスクにおける不確実性の重要な役割を強調。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究：ベクトル化地図モデル、対角共分散行列を用いる確率的手法、決定論的ベースライン。 - 関連手法：Low-Rank plus Diagonal (LRPD) 共分散分解、nuScenes データセットを用いた研究。 - 同分野の定番：オンライン地図生成、軌道予測、不確実性推定に関する研究。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Pritom Gogoi, Faris Janjoš, Bin Yang, Andreas Look

分類: cs.RO

原文アブストラクト

Online map generation and trajectory prediction are critical components of the autonomous driving perception-prediction-planning pipeline. While modern vectorized mapping models achieve high geometric accuracy, they typically treat map estimation as a deterministic task, discarding structural uncertainty. Existing probabilistic approaches often rely on diagonal covariance matrices, which assume independence between points and fail to capture the strong spatial correlations inherent in road geometry. To address this, we propose a structured probabilistic formulation for online map generation. Our method explicitly models intra-element dependencies by predicting a dense covariance matrix, parameterized via a Low-Rank plus Diagonal (LRPD) covariance decomposition. This formulation represents uncertainty as a combination of a low-rank component, which captures global spatial structure, and a diagonal component representing independent local noise, thereby capturing geometric correlations without the prohibitive computational cost of full covariance matrices. Evaluations on the nuScenes dataset demonstrate that our uncertainty-aware framework yields consistent improvements in online map generation quality compared to deterministic baselines. Furthermore, our approach establishes new state-of-the-art performance for map-based motion prediction, highlighting the critical role of uncertainty in planning tasks. Code is published under link-available-soon.

arXivで原文を読む →arXiv概要ページ

← 論文一覧