論文の概要: RoCA: Robust Cross-Domain End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2506.10145v1
• Date: Wed, 11 Jun 2025 19:50:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.42328
• Title: RoCA: Robust Cross-Domain End-to-End Autonomous Driving
• Title（参考訳）: RoCA:ロバストなクロスドメイン・エンド・エンド・エンド自動運転
• Authors: Rajeev Yasarla, Shizhong Han, Hsin-Pai Cheng, Litian Liu, Shweta Mahajan, Apratim Bhattacharyya, Yunxiao Shi, Risheek Garrepalli, Hong Cai, Fatih Porikli,
• Abstract要約: RoCAは、堅牢なクロスドメインE2E自動運転のための新しいフレームワークである。 本稿では,RoCAが強力なドメイン一般化と適応性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 47.455096416302226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: End-to-end (E2E) autonomous driving has recently emerged as a new paradigm, offering significant potential. However, few studies have looked into the practical challenge of deployment across domains (e.g., cities). Although several works have incorporated Large Language Models (LLMs) to leverage their open-world knowledge, LLMs do not guarantee cross-domain driving performance and may incur prohibitive retraining costs during domain adaptation. In this paper, we propose RoCA, a novel framework for robust cross-domain E2E autonomous driving. RoCA formulates the joint probabilistic distribution over the tokens that encode ego and surrounding vehicle information in the E2E pipeline. Instantiating with a Gaussian process (GP), RoCA learns a set of basis tokens with corresponding trajectories, which span diverse driving scenarios. Then, given any driving scene, it is able to probabilistically infer the future trajectory. By using RoCA together with a base E2E model in source-domain training, we improve the generalizability of the base model, without requiring extra inference computation. In addition, RoCA enables robust adaptation on new target domains, significantly outperforming direct finetuning. We extensively evaluate RoCA on various cross-domain scenarios and show that it achieves strong domain generalization and adaptation performance.
• Abstract（参考訳）: エンドツーエンド(E2E)自動運転は、最近新しいパラダイムとして登場し、大きな可能性を秘めている。 しかし、ドメイン(都市など)にまたがるデプロイの実践的課題について検討する研究はほとんどない。 オープンワールドの知識を活用するためにLLM(Large Language Models)が組み込まれているが、LLMはクロスドメイン駆動性能を保証せず、ドメイン適応時に禁止的な再トレーニングコストを発生させる可能性がある。 本稿では,堅牢なクロスドメインE2E自動運転のための新しいフレームワークであるRoCAを提案する。 RoCAは、E2Eパイプライン内のエゴと周囲の車両情報をエンコードするトークンに関する共同確率分布を定式化する。 ガウス過程(GP)を用いて、RoCAは様々な駆動シナリオにまたがる対応する軌跡を持つ基底トークンの集合を学習する。 そして、任意の運転シーンを考慮すれば、将来の軌跡を確率的に推測することができる。 ソースドメイントレーニングにおいて,RoCAとベースE2Eモデルを併用することにより,余分な推論計算を必要とせずに,ベースモデルの一般化性を向上させる。 さらに、RoCAは新たなターゲットドメインへのロバスト適応を可能にし、直接微調整を著しく上回っている。 各種クロスドメインシナリオにおいて,RoCAを広範囲に評価し,強力なドメイン一般化と適応性能を実現することを示す。

関連論文リスト

• FedRAV: Hierarchically Federated Region-Learning for Traffic Object Classification of Autonomous Vehicles [7.8896851741869085]
  自動運転車の階層的統合地域学習フレームワーク(FedRAV)を提案する。 FedRAVは、定義された地域距離に基づいて、車両を含む広い領域をサブリージョンに適応的に分割し、パーソナライズされた車両モデルと地域モデルを達成する。 実験の結果、我々のフレームワークはこれらの既知のアルゴリズムより優れており、少なくとも3.69%精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2024-11-21T09:45:55Z)
• Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
  本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。 我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-06T09:12:30Z)
• Test-time Adaptation in the Dynamic World with Compound Domain Knowledge Management [75.86903206636741]
  テスト時間適応(TTA)により、モデルは新しい環境に適応し、テスト時間中にパフォーマンスを向上させることができる。 TTAのいくつかの研究は、継続的に変化する環境において、有望な適応性能を示している。 本稿ではまず,複合ドメイン知識管理を用いた堅牢なTTAフレームワークを提案する。 次に、ソースと現在のターゲットドメイン間のドメイン類似性を用いて適応率を変調する新しい正規化を考案する。
  論文  参考訳（メタデータ） (2022-12-16T09:02:01Z)
• CARLANE: A Lane Detection Benchmark for Unsupervised Domain Adaptation from Simulation to multiple Real-World Domains [0.0]
  Unsupervised Domain Adaptationは、ラベル付きソースドメインからラベルなしターゲットドメインにモデルを転送する。 CARLANEは2次元車線検出のための3方向のシミュレート・ドメイン適応ベンチマークである。
  論文  参考訳（メタデータ） (2022-06-16T10:53:18Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate Prediction [76.98616102965023]
  クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。 本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T01:21:21Z)
• Conditional Coupled Generative Adversarial Networks for Zero-Shot Domain Adaptation [31.334196673143257]
  あるドメインでトレーニングされた機械学習モデルは、ドメインシフトが存在するため、他のドメインではうまく機能しない。 本研究では,CoGANを条件付きモデルに拡張することにより,条件付き生成逆数ネットワーク(CoCoGAN)を提案する。 提案したCoCoGANは,2つの異なるタスク,すなわち関連タスク (RT) と非関連タスク (IRT) で二重ドメインサンプルの連成分布を捉えることができる。
  論文  参考訳（メタデータ） (2020-09-11T04:36:42Z)

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。