論文の概要: Bridging Past and Future: End-to-End Autonomous Driving with Historical Prediction and Planning

• arxiv url: http://arxiv.org/abs/2503.14182v1
• Date: Tue, 18 Mar 2025 11:57:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:14:42.363637
• Title: Bridging Past and Future: End-to-End Autonomous Driving with Historical Prediction and Planning
• Title（参考訳）: 過去と未来:歴史予測と計画によるエンドツーエンド自動運転
• Authors: Bozhou Zhang, Nan Song, Xin Jin, Li Zhang,
• Abstract要約: エンドツーエンドの自動運転は、タスクを差別化可能なフレームワークに統合し、計画指向の最適化を可能にし、注目を集める。 動作と計画のクエリを多段階のクエリとして再構成し、将来のステップ毎にクエリを区別するBridgeADを提案する。 この設計は、時間ステップに基づくエンド・ツー・エンドシステムの適切な部分にそれらを適用することにより、歴史的予測と計画の効果的利用を可能にし、知覚と運動計画の両方を改善する。
• 参考スコア（独自算出の注目度）: 12.182364509599228
• License:
• Abstract: End-to-end autonomous driving unifies tasks in a differentiable framework, enabling planning-oriented optimization and attracting growing attention. Current methods aggregate historical information either through dense historical bird's-eye-view (BEV) features or by querying a sparse memory bank, following paradigms inherited from detection. However, we argue that these paradigms either omit historical information in motion planning or fail to align with its multi-step nature, which requires predicting or planning multiple future time steps. In line with the philosophy of future is a continuation of past, we propose BridgeAD, which reformulates motion and planning queries as multi-step queries to differentiate the queries for each future time step. This design enables the effective use of historical prediction and planning by applying them to the appropriate parts of the end-to-end system based on the time steps, which improves both perception and motion planning. Specifically, historical queries for the current frame are combined with perception, while queries for future frames are integrated with motion planning. In this way, we bridge the gap between past and future by aggregating historical insights at every time step, enhancing the overall coherence and accuracy of the end-to-end autonomous driving pipeline. Extensive experiments on the nuScenes dataset in both open-loop and closed-loop settings demonstrate that BridgeAD achieves state-of-the-art performance.
• Abstract（参考訳）: エンドツーエンドの自動運転は、タスクを差別化可能なフレームワークに統合し、計画指向の最適化を可能にし、注目を集める。 現在の方法では、密集した歴史鳥の目視(BEV)機能や、検出から受け継がれたパラダイムに従ってスパースメモリバンクをクエリすることで、歴史情報を集約している。 しかし、これらのパラダイムは、動作計画における履歴情報を省略するか、その多段階の性質と整合しないか、複数の将来の時間ステップを予測または計画する必要があると論じる。 未来哲学が過去の継続であるのに合わせて,BridgeADを提案する。このBridgeADは動作と計画のクエリをマルチステップクエリとして再構成し,将来の時間ステップ毎にクエリを区別する。 この設計は、時間ステップに基づくエンド・ツー・エンドシステムの適切な部分にそれらを適用することにより、歴史的予測と計画の効果的利用を可能にし、知覚と運動計画の両方を改善する。 具体的には、現在のフレームの履歴クエリは知覚と組み合わせられ、将来のフレームのクエリはモーションプランニングと統合される。 このようにして、過去と未来の間のギャップを、各ステップで歴史的洞察を集約し、エンドツーエンドの自動運転パイプラインの全体的な一貫性と正確性を高めることで埋める。 オープンループとクローズドループの両方の設定におけるnuScenesデータセットの大規模な実験は、BridgeADが最先端のパフォーマンスを達成したことを示している。

関連論文リスト

• LHPF: Look back the History and Plan for the Future in Autonomous Driving [10.855426442780516]
  本稿では,歴史計画情報を統合した模倣学習プランナ LHPF を紹介する。 我々のアプローチでは、歴史的計画意図をプールする歴史的意図集約モジュールを採用している。 実世界のデータと合成データの両方を用いた実験は、LHPFが既存の高度な学習ベースのプランナーに勝るだけでなく、純粋に学習ベースのプランナーがエキスパートを上回った最初の事例であることを示している。
  論文  参考訳（メタデータ） (2024-11-26T09:30:26Z)
• HAPFI: History-Aware Planning based on Fused Information [18.141893873543037]
  EIF(Embodied Instruction following)は、ハイレベルな自然言語命令を与えられた一連のサブゴールを計画するタスクである。 我々はエージェントがそれぞれのステップで決定を行う際に、過去の、すなわち過去のデータを考慮する必要があると論じる。
  論文  参考訳（メタデータ） (2024-07-23T14:46:07Z)
• Enhancing End-to-End Autonomous Driving with Latent World Model [78.22157677787239]
  本稿では,LAW(Latent World Model)を用いたエンドツーエンド運転のための自己教師型学習手法を提案する。 LAWは、現在の特徴とエゴ軌道に基づいて将来のシーン機能を予測する。 この自己監督タスクは、知覚のない、知覚に基づくフレームワークにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2024-06-12T17:59:21Z)
• SparseDrive: End-to-End Autonomous Driving via Sparse Scene Representation [11.011219709863875]
  我々はSparseDriveという新しいエンドツーエンドの自動運転パラダイムを提案する。 SparseDriveは対称なスパース認識モジュールとパラレルモーションプランナーで構成されている。 動作予測と計画について,これら2つの課題の相似性を概観し,運動プランナの並列設計に繋がる。
  論文  参考訳（メタデータ） (2024-05-30T02:13:56Z)
• HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
  HPNetは、新しい動的軌道予測手法である。 逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。 私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
  論文  参考訳（メタデータ） (2024-04-09T14:42:31Z)
• Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? [84.17711168595311]
  エンドツーエンドの自動運転は、フルスタックの観点から自律性を目標とする、有望な研究の方向性として浮上している。 比較的単純な駆動シナリオを特徴とするnuScenesデータセットは、エンド・ツー・エンド・モデルにおける知覚情報の未使用化につながる。 予測軌跡が道路に付着するかどうかを評価するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-12-05T11:32:31Z)
• Graph-based Spatial Transformer with Memory Replay for Multi-future Pedestrian Trajectory Prediction [13.466380808630188]
  歴史的軌跡に基づく複数経路の予測モデルを提案する。 提案手法は,空間情報を利用するとともに,時間的に矛盾した軌道を補正することができる。 実験により,提案手法は,複数未来予測の最先端性能と,単一未来予測の競合結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-06-12T10:25:12Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。