概要: 自動運転の高速道路走行、特に長距離の大型トラックでは、高速走行時の制動距離要件を満たすために、500メートルを超える遠距離で物体を検出する必要があります。長距離では、車両やその他の重要な物体は高解像度画像上でわずか数ピクセルしか占めず、その結果、先端の物体検出器は失敗します。この課題は、商用で利用可能なLiDARセンサの有効到達距離が限られていることによってさらに深刻になります。すなわち、距離に対する解像度の損失が二次的であるため、超長距離の閾値に届かず、商用センサの制約を踏まえれば、画像ベースの検出が最も実務的にスケーラブルな解決策となります。私たちは、超長距離の自動運転向けに設計された2段階検出モデル「Telescope」を提案します。このモデルは、高性能な検出バックボーンに加えて、小さく遠い物体の検出という根本的な課題に対処するための、新規な再サンプリング層と画像変換を備えています。Telescopeは、超長距離検出において、最先端手法と比較してmAPを76\%相対的に改善し（絶対mAPが0.185から、250メートルを超える距離で0.326へ向上）、最小限の計算オーバーヘッドで実現でき、さらに全ての検出距離にわたって強い性能を維持します。
Telescope：超長距離物体検出のための学習可能な双曲線フォベーション
arXiv cs.CV / 2026/4/9
💬 オピニオンSignals & Early TrendsModels & Research
要点
- 本論文は、自動運転の高速道路走行に向けた2段階の物体検出モデル「Telescope」を提案する。安全な制動距離のために、重要な物体を500メートル超の距離で検出する必要がある。
- 長距離検出の主要な失敗モードである「遠方の物体がわずか数ピクセルしか占有しない」問題に着目し、新規のリサンプリング層と画像変換メカニズムを導入することで対処する。
- Telescopeは、距離に伴う解像度低下により市販のLiDARセンサーでは十分な有効な超長距離能力が得られないことを踏まえ、画像ベースのスケーラビリティを前提として設計されている。
- 著者らは、最先端手法に対して相対mAPが76%向上したと報告しており、250メートル超の距離では絶対mAPを0.185から0.326へ引き上げながら、計算オーバーヘッドは最小限に抑えている。
- 本手法は、さまざまな距離にわたって高い検出性能を維持することが報告されており、最長距離だけでなく頑健性が示唆される。
- categories は models-research と signals-early-trends の両方に該当する内容です。
