論文の概要: Two Tasks, One Goal: Uniting Motion and Planning for Excellent End To End Autonomous Driving Performance

• arxiv url: http://arxiv.org/abs/2504.12667v1
• Date: Thu, 17 Apr 2025 05:52:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:36:59.008352
• Title: Two Tasks, One Goal: Uniting Motion and Planning for Excellent End To End Autonomous Driving Performance
• Title（参考訳）: 2つの課題, 1つの目標: 自律走行性能を終了させるための一元化運動と卓越した終了計画
• Authors: Lin Liu, Ziying Song, Hongyu Pan, Lei Yang, Caiyan Jia,
• Abstract要約: かつてのエンドツーエンドの自動運転アプローチは、しばしば計画と動きのタスクを分離し、それらを別々のモジュールとして扱う。 本稿では,新しい2段階軌道生成フレームワークであるTTOGを提案する。 第1段階では、多種多様な軌道候補が生成され、第2段階では、車両の状態情報を通じてこれらの候補を精製することに焦点を当てる。 周囲の車両状態の問題を緩和するため、TTOGは自車用データ訓練状態推定器を採用し、その後他の車両に拡張した。
• 参考スコア（独自算出の注目度）: 14.665143402317685
• License:
• Abstract: End-to-end autonomous driving has made impressive progress in recent years. Former end-to-end autonomous driving approaches often decouple planning and motion tasks, treating them as separate modules. This separation overlooks the potential benefits that planning can gain from learning out-of-distribution data encountered in motion tasks. However, unifying these tasks poses significant challenges, such as constructing shared contextual representations and handling the unobservability of other vehicles' states. To address these challenges, we propose TTOG, a novel two-stage trajectory generation framework. In the first stage, a diverse set of trajectory candidates is generated, while the second stage focuses on refining these candidates through vehicle state information. To mitigate the issue of unavailable surrounding vehicle states, TTOG employs a self-vehicle data-trained state estimator, subsequently extended to other vehicles. Furthermore, we introduce ECSA (equivariant context-sharing scene adapter) to enhance the generalization of scene representations across different agents. Experimental results demonstrate that TTOG achieves state-of-the-art performance across both planning and motion tasks. Notably, on the challenging open-loop nuScenes dataset, TTOG reduces the L2 distance by 36.06\%. Furthermore, on the closed-loop Bench2Drive dataset, our approach achieves a 22\% improvement in the driving score (DS), significantly outperforming existing baselines.
• Abstract（参考訳）: 近年、エンドツーエンドの自動運転は目覚ましい進歩を遂げている。 かつてのエンドツーエンドの自動運転アプローチは、しばしば計画と動きのタスクを分離し、それらを別々のモジュールとして扱う。 この分離は、行動タスクで遭遇したアウト・オブ・ディストリビューションデータからプランニングが得られる潜在的な利点を見落としている。 しかしながら、これらのタスクを統一することは、共有コンテキスト表現の構築や、他の車の状態の観測不能な処理など、大きな課題を引き起こす。 これらの課題に対処するために,新しい2段階軌道生成フレームワークであるTTOGを提案する。 第1段階では、多種多様な軌道候補が生成され、第2段階では、車両の状態情報を通じてこれらの候補を精製することに焦点を当てる。 周囲の車両状態の問題を緩和するため、TTOGは自車用データ訓練状態推定器を採用し、その後他の車両に拡張した。 さらに、異なるエージェント間でのシーン表現の一般化を促進するため、ECSA(equivariant context-sharing scene adapter)を導入する。 実験により、TTOGは、計画タスクと動作タスクの両方で最先端のパフォーマンスを達成することが示された。 特に、挑戦的なオープンループnuScenesデータセットでは、TTOGはL2距離を36.06\%削減する。 さらに,クローズドループのBench2Driveデータセットでは,運転スコア(DS)が22倍向上し,既存のベースラインよりも大幅に向上した。

関連論文リスト

• Online Location Planning for AI-Defined Vehicles: Optimizing Joint Tasks of Order Serving and Spatio-Temporal Heterogeneous Model Fine-Tuning [12.784479119173223]
  車両群集センシング(VCS)は、車両の移動性とセンサーを装備した能力を活用する重要なイネーブラーとして登場した。 この研究は、エッジアシスト車両が注文サービスと基礎モデルの微調整のジョイントタスクを行う、有望なシナリオを探求する。
  論文  参考訳（メタデータ） (2025-02-06T07:23:40Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• End-to-End Autonomous Driving without Costly Modularization and 3D Manual Annotation [34.070813293944944]
  視覚に基づくエンドツーエンド自動運転(E2EAD)のためのUADを提案する。 私たちのモチベーションは、現在のE2EADモデルが依然として典型的な駆動スタックのモジュラーアーキテクチャを模倣していることに起因しています。 我々のUADは、NUScenesにおける平均衝突速度において、UniADに対して38.7%の相対的な改善を達成し、CARLAのCown05 Longベンチマークの駆動スコアにおいて、VADを41.32ポイント上回っている。
  論文  参考訳（メタデータ） (2024-06-25T16:12:52Z)
• STT: Stateful Tracking with Transformers for Autonomous Driving [48.621552393062686]
  三次元空間における物体の追跡は、自律走行に不可欠である。 運転中の安全性を確保するため、トラッカーはフレーム全体の物体を確実に追跡し、現在の速度や加速度などの状態を正確に推定する必要がある。 本研究では,トランスフォーマーで構築したステートフルトラッキングモデルであるSTTを提案する。
  論文  参考訳（メタデータ） (2024-04-30T23:04:36Z)
• DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
  本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。 センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。 我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:01Z)
• Pioneering SE(2)-Equivariant Trajectory Planning for Automated Driving [45.18582668677648]
  制御されたエゴ車両の軌道を計画することは、自動走行において重要な課題である。 本稿では,全車両に対して多モード共同予測を生成する軽量同変計画モデルを提案する。 また,車載GPSナビゲーションシステムによって提供される高水準経路に沿って,エゴ車両を誘導する等変経路アトラクションを提案する。
  論文  参考訳（メタデータ） (2024-03-17T18:53:46Z)
• 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)
• End-to-end Autonomous Driving: Challenges and Frontiers [45.391430626264764]
  エンドツーエンドの自動運転におけるモチベーション、ロードマップ、方法論、課題、今後のトレンドについて、270以上の論文を包括的に分析する。 マルチモダリティ、解釈可能性、因果的混乱、堅牢性、世界モデルなど、いくつかの重要な課題を掘り下げます。 基礎モデルと視覚前訓練の現在の進歩と、これらの技術をエンドツーエンドの駆動フレームワークに組み込む方法について論じる。
  論文  参考訳（メタデータ） (2023-06-29T14:17:24Z)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)

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。