論文の概要: Using Diffusion Ensembles to Estimate Uncertainty for End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2506.00560v1
• Date: Sat, 31 May 2025 13:33:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.197455
• Title: Using Diffusion Ensembles to Estimate Uncertainty for End-to-End Autonomous Driving
• Title（参考訳）: エンドツーエンド自動運転における拡散アンサンブルを用いた不確かさの推定
• Authors: Florian Wintel, Sigmund H. Høeg, Gabriel Kiss, Frank Lindseth,
• Abstract要約: EnDfuserは、拡散モデルを軌道プランナーとして使用するエンドツーエンドの駆動システムである。 本研究は,従来の軌道計画モジュールのドロップイン代替として用いられるアンサンブル拡散が,運転決定の安全性向上に役立つことを示唆している。
• 参考スコア（独自算出の注目度）: 0.49998148477760973
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: End-to-end planning systems for autonomous driving are improving rapidly, especially in closed-loop simulation environments like CARLA. Many such driving systems either do not consider uncertainty as part of the plan itself, or obtain it by using specialized representations that do not generalize. In this paper, we propose EnDfuser, an end-to-end driving system that uses a diffusion model as the trajectory planner. EnDfuser effectively leverages complex perception information like fused camera and LiDAR features, through combining attention pooling and trajectory planning into a single diffusion transformer module. Instead of committing to a single plan, EnDfuser produces a distribution of candidate trajectories (128 for our case) from a single perception frame through ensemble diffusion. By observing the full set of candidate trajectories, EnDfuser provides interpretability for uncertain, multi-modal future trajectory spaces, where there are multiple plausible options. EnDfuser achieves a competitive driving score of 70.1 on the Longest6 benchmark in CARLA with minimal concessions on inference speed. Our findings suggest that ensemble diffusion, used as a drop-in replacement for traditional point-estimate trajectory planning modules, can help improve the safety of driving decisions by modeling the uncertainty of the posterior trajectory distribution.
• Abstract（参考訳）: 自動運転のためのエンドツーエンドの計画システムは、特にCARLAのようなクローズドループシミュレーション環境において、急速に改善されている。 このような駆動系の多くは、計画自体の一部として不確実性を考慮しないか、あるいは一般化しない特殊表現を用いてそれを得る。 本稿では,軌道プランナとして拡散モデルを用いるエンド・ツー・エンド駆動システムであるEnDfuserを提案する。 EnDfuserは、1つの拡散トランスフォーマーモジュールに注目プーリングと軌道計画を組み合わせることで、融合カメラやLiDAR機能のような複雑な知覚情報を効果的に活用する。 単一計画にコミットする代わりに、EnDfuserは単一の知覚フレームからアンサンブル拡散を通じて候補軌跡(128)の分布を生成する。 候補軌跡の完全な集合を観察することにより、EnDfuserは不確実かつ多モードな将来の軌跡空間に対する解釈可能性を提供する。 EnDfuserは、CARLAのLongest6ベンチマークで70.1の競合駆動スコアを達成し、推論速度に対する最小の譲歩を達成している。 この結果から,従来の軌道計画モジュールの代替として用いられるアンサンブル拡散は,後部軌道分布の不確かさをモデル化することにより運転決定の安全性を向上させることができると考えられた。

関連論文リスト

• LeAD: The LLM Enhanced Planning System Converged with End-to-end Autonomous Driving [48.607991747956255]
  本稿では,大規模な言語モデル(LLM)拡張と模倣学習に基づくエンドツーエンド(E2E)フレームワークを統合した,二段階自動運転アーキテクチャLeADを提案する。 CARLAシミュレータでの実験的な評価は、LeADが従来と異なるシナリオをうまく扱えることを示し、Leadboard V1ベンチマークで71点、ルート完了率は93%である。
  論文  参考訳（メタデータ） (2025-07-08T07:58:29Z)
• FocalAD: Local Motion Planning for End-to-End Autonomous Driving [11.37427528557442]
  エンドツーエンドの自動運転では、運動予測は自走車計画において重要な役割を果たす。 既存の手法はしばしばグローバルに集約された動作特徴に依存しており、計画決定は主に少数の局所的相互作用エージェントの影響を受けているという事実を無視している。 本稿では,FocalADを提案する。FocalADは,局所的な動きの表現の強化によって,重要な地域住民とプランニングに焦点をあてた新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-06-13T02:39:01Z)
• Hydra-NeXt: Robust Closed-Loop Driving with Open-Loop Training [64.16445087751039]
  Hydra-NeXtは、軌道予測、制御予測、軌道修正ネットワークを一つのモデルに統合する、新しいマルチブランチ計画フレームワークである。 Hydra-NeXt は22.98 DS と 17.49 SR を上回り、自動運転の大幅な進歩を示している。
  論文  参考訳（メタデータ） (2025-03-15T07:42:27Z)
• 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)
• 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)
• Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
  拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。 最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。 提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
  論文  参考訳（メタデータ） (2024-08-01T17:59:59Z)
• Diffusion-ES: Gradient-free Planning with Diffusion for Autonomous Driving and Zero-Shot Instruction Following [21.81411085058986]
  Reward-gradient guided denoisingは、微分可能報酬関数と拡散モデルによって捕捉されたデータ分布下での確率の両方を最大化する軌道を生成する。 そこで我々は,勾配のない最適化と軌道デノゲーションを組み合わせたDiffusionESを提案する。 DiffusionESは、自動運転のための確立されたクローズドループ計画ベンチマークであるnuPlan上で、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-02-09T17:18:33Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• Congestion-aware Evacuation Routing using Augmented Reality Devices [96.68280427555808]
  複数の目的地間でリアルタイムに個別の避難経路を生成する屋内避難のための渋滞対応ルーティングソリューションを提案する。 建物内の混雑分布をモデル化するために、ユーザエンド拡張現実(AR)デバイスから避難者の位置を集約して、オンザフライで取得した人口密度マップを用いる。
  論文  参考訳（メタデータ） (2020-04-25T22:54:35Z)

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。