論文の概要: DriveSuprim: Towards Precise Trajectory Selection for End-to-End Planning

• arxiv url: http://arxiv.org/abs/2506.06659v1
• Date: Sat, 07 Jun 2025 04:39:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.398609
• Title: DriveSuprim: Towards Precise Trajectory Selection for End-to-End Planning
• Title（参考訳）: DriveSuprim: エンド・ツー・エンド計画のための精密軌道選択を目指して
• Authors: Wenhao Yao, Zhenxin Li, Shiyi Lan, Zi Wang, Xinglong Sun, Jose M. Alvarez, Zuxuan Wu,
• Abstract要約: DriveSuprimは、自動運転車の軌道選択のための選択に基づくパラダイムである。 衝突回避や規則の遵守など、最先端のパフォーマンスを実現する。 様々な運転シナリオにおいて高い軌道品質を維持する。
• 参考スコア（独自算出の注目度）: 43.284391163049236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In complex driving environments, autonomous vehicles must navigate safely. Relying on a single predicted path, as in regression-based approaches, usually does not explicitly assess the safety of the predicted trajectory. Selection-based methods address this by generating and scoring multiple trajectory candidates and predicting the safety score for each, but face optimization challenges in precisely selecting the best option from thousands of possibilities and distinguishing subtle but safety-critical differences, especially in rare or underrepresented scenarios. We propose DriveSuprim to overcome these challenges and advance the selection-based paradigm through a coarse-to-fine paradigm for progressive candidate filtering, a rotation-based augmentation method to improve robustness in out-of-distribution scenarios, and a self-distillation framework to stabilize training. DriveSuprim achieves state-of-the-art performance, reaching 93.5% PDMS in NAVSIM v1 and 87.1% EPDMS in NAVSIM v2 without extra data, demonstrating superior safetycritical capabilities, including collision avoidance and compliance with rules, while maintaining high trajectory quality in various driving scenarios.
• Abstract（参考訳）: 複雑な運転環境では、自動運転車は安全に走行する必要がある。 回帰に基づくアプローチのように、単一の予測経路に基づいて、通常、予測された軌道の安全性を明示的に評価しない。 選択に基づく手法は、複数の軌道候補を生成して評価し、それぞれの安全スコアを予測することでこの問題に対処するが、数千の可能性から最適な選択肢を正確に選択し、特に稀なシナリオや過度に表現されたシナリオにおいて、微妙だが安全クリティカルな違いを区別する、という最適化の課題に直面している。 本稿では,これらの課題を克服し,プログレッシブな候補フィルタリングのための粗大なパラダイムを通じて選択に基づくパラダイムを推し進めるDriveSuprimを提案する。 DriveSuprimは最先端のパフォーマンスを達成し、NAVSIM v1では93.5%のPDMS、NAVSIM v2では87.1%のEPDMSを余分なデータなしで達成した。

関連論文リスト

• SafePath: Conformal Prediction for Safe LLM-Based Autonomous Navigation [67.22657932549723]
  SafePathは,LLM(Large Language Models)を公式な安全保証とともに拡張するフレームワークである。 第1段階では,多様な候補経路を生成するLCMを用いて,エージェントの挙動と環境条件に基づく軌道探索を行う。 第2段階では、SafePathはリスクの高いトラジェクトリをフィルタリングし、少なくとも1つのセーフオプションがユーザ定義の確率に含まれていることを保証します。 最終段階では,不確実性が低い場合や不確実性が高い場合,人間に制御を委譲する場合の衝突リスクが最も低い経路を選択する。
  論文  参考訳（メタデータ） (2025-05-14T14:28:24Z)
• A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
  軌道予測は、自動運転車における計画の安全性と効率に不可欠である。 現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。 本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
  論文  参考訳（メタデータ） (2024-11-29T14:47:08Z)
• Enhanced Safety in Autonomous Driving: Integrating Latent State Diffusion Model for End-to-End Navigation [5.928213664340974]
  本研究は自動運転の制御最適化問題における安全性問題に対処する。 本稿では,条件付きバリュー・アット・リスクに基づくソフトアクター批判を利用して,ポリシー最適化のための新しいモデルベースアプローチを提案する。 本手法では, 安全探索を誘導する最悪のアクターを導入し, 予測不可能なシナリオにおいても, 安全要件の厳密な遵守を確保する。
  論文  参考訳（メタデータ） (2024-07-08T18:32:40Z)
• Integrating Higher-Order Dynamics and Roadway-Compliance into Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
  軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。 既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。 このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
  論文  参考訳（メタデータ） (2023-09-25T22:30:18Z)
• Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
  メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。 コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。 ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
  論文  参考訳（メタデータ） (2022-10-03T08:38:38Z)
• 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)

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。