論文の概要: StyleDrive: Towards Driving-Style Aware Benchmarking of End-To-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2506.23982v1
• Date: Mon, 30 Jun 2025 15:48:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:54.138266
• Title: StyleDrive: Towards Driving-Style Aware Benchmarking of End-To-End Autonomous Driving
• Title（参考訳）: StyleDrive: エンド・ツー・エンド自動運転の運転スタイル認識ベンチマークを目指して
• Authors: Ruiyang Hao, Bowen Jing, Haibao Yu, Zaiqing Nie,
• Abstract要約: 多様な運転嗜好を収集するアノテーションを付加した,最初の大規模実世界のデータセットを提示する。 我々の研究は、データ駆動型E2EADシステムに人間の嗜好を統合するための標準化されたプラットフォームを提供することにより、パーソナライズされたE2EADの基礎を築いた。
• 参考スコア（独自算出の注目度）: 7.525510086747996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While personalization has been explored in traditional autonomous driving systems, it remains largely overlooked in end-to-end autonomous driving (E2EAD), despite its growing prominence. This gap is critical, as user-aligned behavior is essential for trust, comfort, and widespread adoption of autonomous vehicles. A core challenge is the lack of large-scale real-world datasets annotated with diverse and fine-grained driving preferences, hindering the development and evaluation of personalized E2EAD models. In this work, we present the first large-scale real-world dataset enriched with annotations capturing diverse driving preferences, establishing a foundation for personalization in E2EAD. We extract static environmental features from real-world road topology and infer dynamic contextual cues using a fine-tuned visual language model (VLM), enabling consistent and fine-grained scenario construction. Based on these scenarios, we derive objective preference annotations through behavioral distribution analysis and rule-based heuristics. To address the inherent subjectivity of driving style, we further employ the VLM to generate subjective annotations by jointly modeling scene semantics and driver behavior. Final high-quality labels are obtained through a human-in-the-loop verification process that fuses both perspectives. Building on this dataset, we propose the first benchmark for evaluating personalized E2EAD models. We assess several state-of-the-art models with and without preference conditioning, demonstrating that incorporating personalized preferences results in behavior more aligned with human driving. Our work lays the foundation for personalized E2EAD by providing a standardized platform to systematically integrate human preferences into data-driven E2EAD systems, catalyzing future research in human-centric autonomy.
• Abstract（参考訳）: 従来の自動運転システムではパーソナライゼーションが検討されてきたが、普及しているにもかかわらず、エンド・ツー・エンドの自動運転(E2EAD)では見落とされ続けている。 このギャップは、自動運転車の信頼性、快適性、普及にユーザー整合性が不可欠であるため、非常に重要である。 主な課題は、多種多様できめ細かい運転嗜好を付加した大規模な現実世界データセットの欠如であり、パーソナライズされたE2EADモデルの開発と評価を妨げる。 本研究では,多様な運転嗜好を収集するアノテーションを付加した最初の大規模実世界のデータセットを提示し,E2EADにおけるパーソナライズのための基盤を確立する。 実世界の道路トポロジから静的な環境特徴を抽出し、微調整された視覚言語モデル(VLM)を用いて動的文脈的手がかりを推論し、一貫したきめ細かなシナリオ構築を可能にする。 これらのシナリオに基づいて、行動分布分析とルールに基づくヒューリスティックスを通して客観的嗜好アノテーションを導出する。 運転スタイルの本質的な主観性に対処するため,VLMを用いてシーン意味論とドライバの動作を共同でモデル化し,主観的アノテーションを生成する。 最終的な高品質なラベルは、双方の視点を融合する人間によるループ検証プロセスを通じて得られる。 このデータセットに基づいて、パーソナライズされたE2EADモデルを評価するための最初のベンチマークを提案する。 選好条件付き, 選好条件なしのいくつかの最先端モデルを評価し, パーソナライズされた選好を取り入れることで, 人間の運転とより整合した行動がもたらされることを示した。 我々の研究は、人間の嗜好をデータ駆動型E2EADシステムに体系的に統合する標準化されたプラットフォームを提供することにより、パーソナライズされたE2EADの基礎を築いた。

関連論文リスト

• 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)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• D2E-An Autonomous Decision-making Dataset involving Driver States and Human Evaluation [6.890077875318333]
  Driver to Evaluationデータセット(D2E)は、自律的な意思決定データセットである。 運転状態、車両状態、環境状況、および人間レビュアーによる評価スコアに関するデータが含まれている。 D2Eは、人間のドライバーファクターから評価結果をカバーする1100以上の対話運転ケースデータを含んでいる。
  論文  参考訳（メタデータ） (2024-04-12T21:29:18Z)
• BAT: Behavior-Aware Human-Like Trajectory Prediction for Autonomous Driving [24.123577277806135]
  我々は行動認識軌道予測モデル(BAT)を考案した。 我々のモデルは行動認識、相互作用認識、優先度認識、位置認識モジュールから構成される。 次世代シミュレーション(NGSIM)、ハイウェイドローン(HighD)、ラウンドアバウンドドローン(RounD)、マカオコネクテッド自律運転(MoCAD)データセットにおけるBATの性能を評価する。
  論文  参考訳（メタデータ） (2023-12-11T13:27:51Z)
• Interaction-Aware Personalized Vehicle Trajectory Prediction Using Temporal Graph Neural Networks [8.209194305630229]
  既存の手法は主に大規模なデータセットからの一般的な軌道予測に依存している。 本稿では,時間グラフニューラルネットワークを組み込んだ対話型車両軌跡予測手法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T20:20:26Z)
• Policy Pre-training for End-to-end Autonomous Driving via Self-supervised Geometric Modeling [96.31941517446859]
  PPGeo (Policy Pre-training via Geometric Modeling) は,視覚運動運転における政策事前学習のための,直感的かつ直接的な完全自己教師型フレームワークである。 本研究では,大規模な未ラベル・未校正動画の3次元幾何学シーンをモデル化することにより,ポリシー表現を強力な抽象化として学習することを目的とする。 第1段階では、幾何モデリングフレームワークは、2つの連続したフレームを入力として、ポーズと深さの予測を同時に生成する。 第2段階では、視覚エンコーダは、将来のエゴモーションを予測し、現在の視覚観察のみに基づいて測光誤差を最適化することにより、運転方針表現を学習する。
  論文  参考訳（メタデータ） (2023-01-03T08:52:49Z)

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。