論文の概要: CogAD: Cognitive-Hierarchy Guided End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2505.21581v2
• Date: Sun, 01 Jun 2025 02:19:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-03 13:48:30.022224
• Title: CogAD: Cognitive-Hierarchy Guided End-to-End Autonomous Driving
• Title（参考訳）: CogAD:認知階層によるエンドツーエンド自動運転
• Authors: Zhennan Wang, Jianing Teng, Canqun Xiang, Kangliang Chen, Xing Pan, Lu Deng, Weihao Gu,
• Abstract要約: 我々は,人間の運転者の階層的認知機構をエミュレートする,新しいエンドツーエンドの自律運転モデルであるCogADを提案する。 CogADは、人間のような知覚のためのグローバルからローカルまでのコンテキスト処理と、認知に着想を得た計画のための意図条件付き多モード軌道生成という、二重階層的なメカニズムを実装している。 CogADは、エンド・ツー・エンドの計画において最先端のパフォーマンスを達成し、ロングテールのシナリオにおいて特に優位性を示し、複雑な現実世界の運転条件に対する堅牢な一般化を示す。
• 参考スコア（独自算出の注目度）: 6.110160289067008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While end-to-end autonomous driving has advanced significantly, prevailing methods remain fundamentally misaligned with human cognitive principles in both perception and planning. In this paper, we propose CogAD, a novel end-to-end autonomous driving model that emulates the hierarchical cognition mechanisms of human drivers. CogAD implements dual hierarchical mechanisms: global-to-local context processing for human-like perception and intent-conditioned multi-mode trajectory generation for cognitively-inspired planning. The proposed method demonstrates three principal advantages: comprehensive environmental understanding through hierarchical perception, robust planning exploration enabled by multi-level planning, and diverse yet reasonable multi-modal trajectory generation facilitated by dual-level uncertainty modeling. Extensive experiments on nuScenes and Bench2Drive demonstrate that CogAD achieves state-of-the-art performance in end-to-end planning, exhibiting particular superiority in long-tail scenarios and robust generalization to complex real-world driving conditions.
• Abstract（参考訳）: エンドツーエンドの自動運転は著しく進歩しているが、一般的な方法は認識と計画の両方において人間の認知原則と根本的に相容れないままである。 本稿では,人間の運転者の階層的認知機構をエミュレートする,新しいエンドツーエンド自動運転モデルであるCogADを提案する。 CogADは、人間のような知覚のためのグローバルからローカルまでのコンテキスト処理と、認知に着想を得た計画のための意図条件付き多モード軌道生成という、二重階層的なメカニズムを実装している。 提案手法は,階層的認識による包括的環境理解,多段階計画による堅牢な計画探索,二段階不確実性モデリングによる多段階多段階軌道生成の3つの主要な利点を示す。 nuScenesとBench2Driveの大規模な実験により、CogADはエンドツーエンドの計画において最先端のパフォーマンスを達成し、ロングテールシナリオにおいて特に優位性を示し、複雑な実世界の運転条件への堅牢な一般化を示した。

関連論文リスト

• DiffAD: A Unified Diffusion Modeling Approach for Autonomous Driving [17.939192289319056]
  本稿では,条件付き画像生成タスクとして自律運転を再定義する拡散確率モデルであるDiffADを紹介する。 不均一な目標を統一された鳥眼ビュー(BEV)に固定し、その潜伏分布をモデル化することにより、DiffADは様々な駆動目標を統一する。 逆プロセスは生成したBEV画像を反復的に洗練し、より堅牢で現実的な運転行動をもたらす。
  論文  参考訳（メタデータ） (2025-03-15T15:23:35Z)
• Diffusion-Based Planning for Autonomous Driving with Flexible Guidance [19.204115959760788]
  閉ループ計画のための新しい変圧器ベース拡散プランナを提案する。 本モデルは,予測タスクと計画タスクの協調モデリングを支援する。 様々な運転スタイルで頑健な伝達性を持つ最先端の閉ループ性能を実現する。
  論文  参考訳（メタデータ） (2025-01-26T15:49:50Z)
• A Survey of World Models for Autonomous Driving [63.33363128964687]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 本稿では、自律運転の世界モデルにおける最近の進歩を体系的にレビューする。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• 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)
• Interpretable Motion Planner for Urban Driving via Hierarchical Imitation Learning [5.280496662905411]
  本稿では,ハイレベルグリッドベース行動プランナと低レベル軌道プランナを含む階層型計画アーキテクチャを提案する。 高レベルプランナーが一貫した経路を見つける責任があるため、低レベルプランナーは実行可能な軌道を生成する。 本手法をクローズドループシミュレーションと実世界運転の両方で評価し,ニューラルネットワークプランナの優れた性能を実証する。
  論文  参考訳（メタデータ） (2023-03-24T13:18:40Z)

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。