MapTR: オンラインでのベクトル化高精度地図構築のための構造化モデリングと学習

MapTR: Structured Modeling and Learning for Online Vectorized HD Map Construction

本文精読地図

Bencheng Liao, Shaoyu Chen, Xinggang Wang, Tianheng Cheng, Qian Zhang, Wenyu Liuほか／ arXiv:2208.14437 ／ PDF

2022-08-30 投稿・2023-01-30 改訂

AI が本文を読んで生成（2026-08-04）

1分まとめ

MapTRは、地図要素を点集合と等価な置換群の組としてモデル化し、階層的2部マッチングで学習するエンドツーエンドのTransformerを提案した。nuScenes val setでMapTR-tinyがmAP 58.7を達成し、カメラのみで既存のカメラ・LiDAR併用手法を13.5ポイント上回った。

地図要素を点集合と等価な置換群としてモデル化し、始点・方向の曖昧さを解消する定式化を導入した。
MapTR-nanoはRTX 3090上で25.1 FPSを達成し、カメラのみの既存手法VectorMapNet-C（2.9 FPS）の約8倍の速度でmAP 5.0向上した。
MapTR-tinyは24エポックの短期学習でmAP 50.3を達成し、110エポック学習のVectorMapNet-C（mAP 40.9）を上回った。
評価はnuScenes単一データセットのみで、既存手法と学習エポック数が異なるため単純比較には注意が必要。
オンラインでのベクトル化HDマップ構築をDETR型の並列回帰問題として定式化した先駆けで、その後の標準的な評価枠組みの普及につながった。

課題

既存のオンラインHDマップ構築は、BEVセマンティックセグメンテーションによるラスタ形式か、HDMapNetに代表される複雑な後処理付きか、VectorMapNetのような自己回帰的な逐次生成に依存しており、実時間性とベクトル形式の両立が難しかった。また、地図要素（ポリライン・ポリゴン）を点列で表現する際、始点や方向の選び方に曖昧さがあり、固定順序での教師信号が学習を不安定にしていた。

提案手法

MapTRは各地図要素を、点集合Vと等価な置換群Γの組(V,Γ)としてモデル化する。ポリラインは2通り、ポリゴンは2×Nv通りの等価な置換を定義し、置換の曖昧さを解消した。クエリはインスタンスレベルとポイントレベルの階層的埋め込みとし、階層的2部マッチング（インスタンスレベルの割当て→ポイントレベルの割当て）で学習する。損失はFocal損失（分類）、点間のマンハッタン距離（点2点損失）、エッジ方向のコサイン類似度（エッジ方向損失）の重み付き和。エンコーダはGKTによる2D-to-BEV変換、デコーダはMHSAとDeformable Attentionを備えたTransformerで、全クエリが並列に点座標を回帰する。

評価と結果

評価はnuScenes val set。指標はChamfer距離の閾値0.5／1.0／1.5mのAPを平均したmAP。認識範囲はX軸±15m、Y軸±30m。ベースラインはHDMapNet（カメラ・LiDAR）とVectorMapNet（カメラ・LiDAR・併用）。MapTR-tiny（ResNet50、110エポック）はmAP 58.7（APped 56.2、APdivider 59.8、APboundary 60.1）で、カメラ・LiDAR併用のVectorMapNet（mAP 45.2）を13.5ポイント上回った。MapTR-nano（ResNet18、110エポック）はmAP 45.9、25.1 FPS。VectorMapNet-CはmAP 40.9、2.9 FPS、HDMapNet-CはmAP 23.0、0.8 FPS。

nuScenes val set における既存手法との比較

手法	モダリティ	バックボーン	エポック	mAP	FPS
HDMapNet	C	Efficient-B0	30	23.0	0.8
VectorMapNet	C	R50	110	40.9	2.9
MapTR-nano	C	R18	110	45.9	25.1
MapTR-tiny	C	R50	24	50.3	11.2
MapTR-tiny	C	R50	110	58.7	11.2

出典: 論文 Table 1。モダリティの C はカメラのみ。AP は Chamfer 距離の閾値 0.5／1.0／1.5m における平均精度の平均。既存手法の AP は VectorMapNet 論文から引用。FPS は VectorMapNet-C のみ著者提供、他は同一 RTX 3090 で計測。学習エポック数は手法により異なる。

nuScenes val set の mAP 比較

出典: Table 1。MapTR-nano と MapTR-tiny は同一論文の別設定。学習エポック数が異なるため単純比較には注意。

置換等価モデリングの効果（24エポック学習）

出典: Table 2。MapTR-tiny（ResNet50、24エポック）での比較。Fixed-order は点集合に一意の順序を強制する従来モデリング。

新規性

地図要素を点集合と等価な置換群の組としてモデル化し、点列の始点・方向の曖昧さを解消した点が新規。階層的2部マッチング（インスタンス割当て→ポイント割当て）も本手法の独自性であり、DETRやBEVFormerの既存要素の組み合わせに新しい定式化を加えたものと言える。

限界

著者による明示的な限界の記述はない。論文から読み取れる制約は以下の通り。評価がnuScenesの単一データセットのみで、地図要素も横断歩道・車線境界線・道路境界の3クラスに限られる。既存手法との比較は学習エポック数が異なる（HDMapNet 30、VectorMapNet 110、MapTR-tiny 24／110）。2D-to-BEV変換はGKTを既定としており、BEV表現の品質が性能の上限を規定する。アブレーションの多くが24エポック学習のMapTR-tinyを基にしており、110エポックやMapTR-nanoでは検証されていない。後続研究がMapTRの枠組みを発展させ、より高精度な手法が登場している（この論文の範囲外）。

産業へのインパクト

MapTRは、オンラインでのベクトル化HDマップ構築をDETR型のセット予測として定式化した最初期の仕事であり、カメラのみでLiDAR併用を上回る精度と25.1 FPSのリアルタイム性を両立した点で、この分野の土台となった。高精度地図の事前整備に依存せず、車載カメラから直接ベクトル地図を並列生成できることを示し、計画モジュールへの直接接続を可能にした。nuScenesとChamfer距離ベースのAPを標準的な評価設定として定着させた点も大きい。日本の自動車メーカー・サプライヤーにとっては、地図更新コストの低減と、自己位置推定・計画へのベクトル地図の活用という選択肢を広げたという意味がある。

← 一覧に戻る