論文の概要: iPad: Iterative Proposal-centric End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2505.15111v1
• Date: Wed, 21 May 2025 05:05:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.897932
• Title: iPad: Iterative Proposal-centric End-to-End Autonomous Driving
• Title（参考訳）: iPad: 提案中心のエンド・ツー・エンドの自動運転
• Authors: Ke Guo, Haochen Liu, Xiaojun Wu, Jia Pan, Chen Lv,
• Abstract要約: 提案中心の自律運転(iPad)は,特徴抽出と補助タスクの中心に提案を配置する新しいフレームワークである。 ProFormerはBEVエンコーダで、提案と関連する機能を反復的に改良する。 マッピングと予測という2つの軽量で提案中心の補助タスクは、最小の計算オーバーヘッドで計画品質を改善する。
• 参考スコア（独自算出の注目度）: 38.41766705938773
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: End-to-end (E2E) autonomous driving systems offer a promising alternative to traditional modular pipelines by reducing information loss and error accumulation, with significant potential to enhance both mobility and safety. However, most existing E2E approaches directly generate plans based on dense bird's-eye view (BEV) grid features, leading to inefficiency and limited planning awareness. To address these limitations, we propose iterative Proposal-centric autonomous driving (iPad), a novel framework that places proposals - a set of candidate future plans - at the center of feature extraction and auxiliary tasks. Central to iPad is ProFormer, a BEV encoder that iteratively refines proposals and their associated features through proposal-anchored attention, effectively fusing multi-view image data. Additionally, we introduce two lightweight, proposal-centric auxiliary tasks - mapping and prediction - that improve planning quality with minimal computational overhead. Extensive experiments on the NAVSIM and CARLA Bench2Drive benchmarks demonstrate that iPad achieves state-of-the-art performance while being significantly more efficient than prior leading methods.
• Abstract（参考訳）: エンドツーエンド(E2E)の自動運転システムは、情報損失とエラーの蓄積を減らすことで、従来のモジュラーパイプラインに代わる有望な代替手段を提供する。 しかしながら、既存のE2Eアプローチのほとんどは、密集した鳥眼ビュー(BEV)グリッド機能に基づいて計画を直接生成し、非効率性と限られた計画意識をもたらす。 これらの制約に対処するため,我々は,機能抽出と補助タスクの中心に提案(今後の計画候補)を配置する新しいフレームワークである,反復型提案中心自動運転(iPad)を提案する。 iPadの中心となるのはProFormerだ。これはBEVエンコーダで、提案と関連する機能を反復的に改良し、マルチビューの画像データを効果的に融合させる。 さらに、最小の計算オーバーヘッドで計画品質を改善する2つの軽量で提案中心の補助タスク、マッピングと予測を導入する。 NAVSIMとCARLA Bench2Driveベンチマークの大規模な実験は、iPadが最先端のパフォーマンスを達成し、先行する方法よりもはるかに効率的であることを実証している。

関連論文リスト

• HiP-AD: Hierarchical and Multi-Granularity Planning with Deformable Attention for Autonomous Driving in a Single Decoder [3.0989923815412204]
  我々は、HiP-ADと呼ばれる新しいエンドツーエンドの自動運転フレームワークを提案する。 HiP-ADは同時に、統合デコーダ内で認識、予測、計画を行う。 HiP-ADは、クローズドループベンチマークであるBench2Driveにおいて、既存のエンドツーエンドの自動運転手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-03-11T16:52:45Z)
• DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
  DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。 タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。 シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-07T11:41:18Z)
• Attention-based UAV Trajectory Optimization for Wireless Power Transfer-assisted IoT Systems [19.680892841701674]
  本稿では,グラフトランスを用いた意図に基づくUAVトラジェクトリ最適化フレームワークを提案する。 ATOMでは、すべてのIoTDの自己アテンション特性を計算するためにグラフエンコーダが使用される。 TENMAは改良されたアクター・クリティカル法を用いてATOMを訓練し、システムの真の報酬をベースラインとして適用して、批評家ネットワークのばらつきを低減する。
  論文  参考訳（メタデータ） (2025-02-23T02:57:06Z)
• 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)
• VAD: Vectorized Scene Representation for Efficient Autonomous Driving [44.070636456960045]
  VADは、自動運転のためのエンドツーエンドのベクトル化パラダイムである。 VADはベクトル化されたエージェントの動きを利用し、要素を明示的なインスタンスレベルの計画制約としてマップする。 VADは従来のエンドツーエンドの計画手法よりもはるかに高速に動作します。
  論文  参考訳（メタデータ） (2023-03-21T17:59:22Z)

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。