論文の概要: Echo Planning for Autonomous Driving: From Current Observations to Future Trajectories and Back

• arxiv url: http://arxiv.org/abs/2505.18945v1
• Date: Sun, 25 May 2025 02:44:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.769513
• Title: Echo Planning for Autonomous Driving: From Current Observations to Future Trajectories and Back
• Title（参考訳）: 自律運転のためのエコープランニング:現在の観測から将来の軌跡まで
• Authors: Jintao Sun, Hu Zhang, Gangyi Ding, Zhedong Zheng,
• Abstract要約: 本稿では,経路予測とシーンコヒーレンスを調和させる新たな自己補正フレームワークを提案する。 この枠組みは本質的に、物理的に不明瞭または不整合な軌跡を罰する。 nuSceneの実験では、最先端の性能を示し、L2の誤差を0.04m、衝突速度を0.12%低減した。
• 参考スコア（独自算出の注目度）: 18.47661826644797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern end-to-end autonomous driving systems suffer from a critical limitation: their planners lack mechanisms to enforce temporal consistency between predicted trajectories and evolving scene dynamics. This absence of self-supervision allows early prediction errors to compound catastrophically over time. We introduce Echo Planning, a novel self-correcting framework that establishes a closed-loop Current - Future - Current (CFC) cycle to harmonize trajectory prediction with scene coherence. Our key insight is that plausible future trajectories must be bi-directionally consistent, ie, not only generated from current observations but also capable of reconstructing them. The CFC mechanism first predicts future trajectories from the Bird's-Eye-View (BEV) scene representation, then inversely maps these trajectories back to estimate the current BEV state. By enforcing consistency between the original and reconstructed BEV representations through a cycle loss, the framework intrinsically penalizes physically implausible or misaligned trajectories. Experiments on nuScenes demonstrate state-of-the-art performance, reducing L2 error by 0.04 m and collision rate by 0.12% compared to one-shot planners. Crucially, our method requires no additional supervision, leveraging the CFC cycle as an inductive bias for robust planning. This work offers a deployable solution for safety-critical autonomous systems.
• Abstract（参考訳）: 現代のエンド・ツー・エンドの自動運転システムでは、予測された軌道と進化するシーンダイナミクスの間の時間的一貫性を強制するメカニズムが欠如している。 この自己超越の欠如により、早期の予測誤差は時間とともに破滅的に複雑になる。 本稿では,経路予測とシーンコヒーレンスを調和させるために,閉ループ電流 - 未来 - 電流 (CFC) サイクルを確立する新しい自己補正フレームワークであるEcho Planningを紹介する。 私たちの重要な洞察は、将来的な軌道は、現在の観測から生成されただけでなく、再構築可能な双方向の軌道でなければならないということです。 CFCメカニズムはまず、鳥のEye-View(BEV)シーン表現から将来の軌跡を予測し、逆にこれらの軌跡を逆マッピングして現在のBEV状態を推定する。 オリジナルのBEV表現と再構成されたBEV表現の整合性をサイクル損失を通じて強制することにより、このフレームワークは本質的に物理的に不確実または不整合な軌跡を罰する。 nuSceneの実験では、最先端の性能を示し、L2の誤差を0.04m、衝突速度を0.12%削減した。 重要な点として、我々の手法は、CFCサイクルをロバストな計画のための誘導バイアスとして活用する、追加の監督を必要としない。 この作業は、安全クリティカルな自律システムのためのデプロイ可能なソリューションを提供する。

関連論文リスト

• Learning Through Retrospection: Improving Trajectory Prediction for Automated Driving with Error Feedback [41.94295877935867]
  自動走行では、周囲の車両の軌道予測がシーンダイナミクスの推論をサポートし、エゴ車両の安全な計画を可能にする。 既存のモデルは、観測された情報に基づいて将来の軌跡を予測するための瞬間的なタスクとして予測を扱う。 提案手法は,推論中の誤差を補正し,再現する手法である。
  論文  参考訳（メタデータ） (2025-04-18T16:35:12Z)
• ITPNet: Towards Instantaneous Trajectory Prediction for Autonomous Driving [46.17683799762322]
  エージェントの軌道予測は自動運転車の安全性に不可欠である。 従来のアプローチは通常、エージェントの将来の軌道を予測するのに十分な長期の軌道に依存する。 ITPNetと呼ばれる汎用かつプラグアンドプレイの即時軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T10:09:41Z)
• Self-supervised Multi-future Occupancy Forecasting for Autonomous Driving [45.886941596233974]
  LiDARで生成された占有グリッドマップ(L-OGM)は、シーン表現のための頑丈な鳥眼ビューを提供する。 提案するフレームワークであるLOPR(Latent Occupancy Prediction)は、生成アーキテクチャの潜在空間においてL-OGM予測を行う。
  論文  参考訳（メタデータ） (2024-07-30T18:37:59Z)
• 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)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Bridging the Gap Between Multi-Step and One-Shot Trajectory Prediction via Self-Supervision [2.365702128814616]
  正確な車両軌道予測は、自動運転における未解決の問題である。 本稿では,複数の軌道セグメントを連結した中間層を提案する。 提案するマルチブランチ・セルフスーパービジョン予測器は,中間将来のセグメントから始まる新しい予測について追加の訓練を受ける。
  論文  参考訳（メタデータ） (2023-06-06T02:46:28Z)
• Dfferentiable Raycasting for Self-supervised Occupancy Forecasting [52.61762537741392]
  自動運転のための運動計画では、エゴ車の周囲の環境が時間とともにどのように進化するかを学ぶ必要がある。 本稿では,自由空間のようなビュー依存表現の自然な代替手段として,幾何学的占有を用いる。 私たちの重要な洞察は、差別化可能なレイキャストを使用して、将来の占有率予測を、将来のLiDARスイープ予測に"レンダリング"することです。
  論文  参考訳（メタデータ） (2022-10-04T21:35:21Z)
• ScePT: Scene-consistent, Policy-based Trajectory Predictions for Planning [32.71073060698739]
  軌道予測は、制御されていないエージェントと環境を共有する自律システムにとって重要である。 政策計画に基づく軌道予測モデルであるScePTを提案する。 明示的にシーンの一貫性を強制し、条件付き予測に使用できるエージェントインタラクションポリシーを学ぶ。
  論文  参考訳（メタデータ） (2022-06-18T00:00:02Z)
• 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)

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。