論文の概要: MAP: End-to-End Autonomous Driving with Map-Assisted Planning

• arxiv url: http://arxiv.org/abs/2509.13926v1
• Date: Wed, 17 Sep 2025 11:40:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.839634
• Title: MAP: End-to-End Autonomous Driving with Map-Assisted Planning
• Title（参考訳）: MAP:Map-Assisted Planningによるエンド・ツー・エンドの自動運転
• Authors: Huilin Yin, Yiming Kan, Daniel Watzenig,
• Abstract要約: 本稿では,地図支援のエンド・ツー・エンド計画フレームワークであるMAPを提案する。 MAPは、Plan-enhancing Online Mappingモジュールを通じて、セグメンテーションベースのマップ機能と現在のエゴステータスを明示的に統合する。 L2の変位誤差が16.6%減少し、オフロードレートが56.2%減少し、UniV2Xベースラインに比べて総合スコアが44.5%改善した。
• 参考スコア（独自算出の注目度）: 5.839115737024808
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, end-to-end autonomous driving has attracted increasing attention for its ability to jointly model perception, prediction, and planning within a unified framework. However, most existing approaches underutilize the online mapping module, leaving its potential to enhance trajectory planning largely untapped. This paper proposes MAP (Map-Assisted Planning), a novel map-assisted end-to-end trajectory planning framework. MAP explicitly integrates segmentation-based map features and the current ego status through a Plan-enhancing Online Mapping module, an Ego-status-guided Planning module, and a Weight Adapter based on current ego status. Experiments conducted on the DAIR-V2X-seq-SPD dataset demonstrate that the proposed method achieves a 16.6% reduction in L2 displacement error, a 56.2% reduction in off-road rate, and a 44.5% improvement in overall score compared to the UniV2X baseline, even without post-processing. Furthermore, it achieves top ranking in Track 2 of the End-to-End Autonomous Driving through V2X Cooperation Challenge of MEIS Workshop @CVPR2025, outperforming the second-best model by 39.5% in terms of overall score. These results highlight the effectiveness of explicitly leveraging semantic map features in planning and suggest new directions for improving structure design in end-to-end autonomous driving systems. Our code is available at https://gitee.com/kymkym/map.git
• Abstract（参考訳）: 近年、エンド・ツー・エンドの自動運転は、統合されたフレームワーク内での認識、予測、計画を共同でモデル化する能力に注目が集まっている。 しかし、既存のほとんどのアプローチはオンラインマッピングモジュールを弱体化しており、軌道計画を強化する可能性はほとんど残っていない。 本稿では,地図支援のエンド・ツー・エンド計画フレームワークであるMAPを提案する。 MAPは、セグメンテーションベースのマップ機能と現在のエゴステータスを、Plan-enhancing Online Mappingモジュール、Ego-status-guided Planningモジュール、および現在のエゴステータスに基づいたウェイトアダプタを通じて明示的に統合する。 DAIR-V2X-seq-SPDデータセットを用いて行った実験により,提案手法は16.6%のL2変位誤差,56.2%のオフロードレート,44.5%のスコア改善を実現している。 さらに、MEISワークショップ@CVPR2025のV2X協力チャレンジを通じて、エンド・ツー・エンド自動運転のトラック2で上位2位を獲得し、総合スコアでは39.5%で2位となった。 これらの結果は、計画における意味地図の特徴を明示的に活用することの有効性を強調し、エンド・ツー・エンドの自動運転システムにおける構造設計を改善するための新たな方向性を提案する。 私たちのコードはhttps://gitee.com/kymkym/map.gitで利用可能です。

関連論文リスト

• DiffSemanticFusion: Semantic Raster BEV Fusion for Autonomous Driving via Online HD Map Diffusion [14.872416661028144]
  軌道予測と計画のための融合フレームワークであるDiffSemanticFusionを提案する。 提案手法は, マップ拡散モジュールにより拡張された意味融合型BEV空間に起因する。 実世界の自動運転ベンチマークであるnuScenesとNAVSIMの実験では、最先端のいくつかの手法よりも性能が向上した。
  論文  参考訳（メタデータ） (2025-08-03T14:32:05Z)
• UncAD: Towards Safe End-to-end Autonomous Driving via Online Map Uncertainty [8.379819845788564]
  自動運転の安全性を高めるための新しいパラダイムUncADを提案する。 UncADは知覚モジュール内のオンラインマップの不確実性を推定する。 そして、不確実性を利用して、運動予測と計画モジュールを誘導し、マルチモーダル軌道を生成する。
  論文  参考訳（メタデータ） (2025-04-17T10:40:36Z)
• Fully Unified Motion Planning for End-to-End Autonomous Driving [14.45403574889677]
  現在のエンドツーエンドの自動運転方法は、単一のエゴ車から収集された専門家の計画データからのみ学習する。 あらゆる運転シナリオにおいて、他の車両からの複数の高品質な軌道は、特定のエゴ車両の軌道と共存する。 本稿では,新しい2段階軌道生成フレームワークFUMPを提案する。
  論文  参考訳（メタデータ） (2025-04-17T05:52:35Z)
• 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)
• Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? [84.17711168595311]
  エンドツーエンドの自動運転は、フルスタックの観点から自律性を目標とする、有望な研究の方向性として浮上している。 比較的単純な駆動シナリオを特徴とするnuScenesデータセットは、エンド・ツー・エンド・モデルにおける知覚情報の未使用化につながる。 予測軌跡が道路に付着するかどうかを評価するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-12-05T11:32:31Z)
• VAD: Vectorized Scene Representation for Efficient Autonomous Driving [44.070636456960045]
  VADは、自動運転のためのエンドツーエンドのベクトル化パラダイムである。 VADはベクトル化されたエージェントの動きを利用し、要素を明示的なインスタンスレベルの計画制約としてマップする。 VADは従来のエンドツーエンドの計画手法よりもはるかに高速に動作します。
  論文  参考訳（メタデータ） (2023-03-21T17:59:22Z)

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。