論文の概要: FlowDrive: Energy Flow Field for End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2509.14303v1
• Date: Wed, 17 Sep 2025 13:51:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:52.927523
• Title: FlowDrive: Energy Flow Field for End-to-End Autonomous Driving
• Title（参考訳）: FlowDrive: エンドツーエンド自動運転のためのエネルギーフローフィールド
• Authors: Hao Jiang, Zhipeng Zhang, Yu Gao, Zhigang Sun, Yiru Wang, Yuwen Heng, Shuo Wang, Jinhao Chai, Zhuo Chen, Hao Zhao, Hao Sun, Xi Zhang, Anqing Jiang, Chuan Hu,
• Abstract要約: FlowDriveは、物理的に解釈可能なエネルギーベースのフローフィールドを導入し、セマンティックな前提と安全性をBEV空間にエンコードする新しいフレームワークである。 NAVSIM v2ベンチマークの実験では、FlowDriveが最先端のパフォーマンスを86.3で達成し、安全性と計画品質の両方において以前のベースラインを超えたことが示されている。
• 参考スコア（独自算出の注目度）: 50.89871153094958
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in end-to-end autonomous driving leverage multi-view images to construct BEV representations for motion planning. In motion planning, autonomous vehicles need considering both hard constraints imposed by geometrically occupied obstacles (e.g., vehicles, pedestrians) and soft, rule-based semantics with no explicit geometry (e.g., lane boundaries, traffic priors). However, existing end-to-end frameworks typically rely on BEV features learned in an implicit manner, lacking explicit modeling of risk and guidance priors for safe and interpretable planning. To address this, we propose FlowDrive, a novel framework that introduces physically interpretable energy-based flow fields-including risk potential and lane attraction fields-to encode semantic priors and safety cues into the BEV space. These flow-aware features enable adaptive refinement of anchor trajectories and serve as interpretable guidance for trajectory generation. Moreover, FlowDrive decouples motion intent prediction from trajectory denoising via a conditional diffusion planner with feature-level gating, alleviating task interference and enhancing multimodal diversity. Experiments on the NAVSIM v2 benchmark demonstrate that FlowDrive achieves state-of-the-art performance with an EPDMS of 86.3, surpassing prior baselines in both safety and planning quality. The project is available at https://astrixdrive.github.io/FlowDrive.github.io/.
• Abstract（参考訳）: 近年のエンド・ツー・エンド自動運転の進歩は、多視点画像を活用して、運動計画のためのBEV表現を構築している。 運動計画においては、自動運転車は、幾何学的に占有された障害物(例えば、車両、歩行者)によって課される厳しい制約と、明確な幾何学(例えば、車線境界、交通優先)を持たない柔らかい規則に基づく意味論の両方を考慮する必要がある。 しかし、既存のエンドツーエンドフレームワークは一般的に暗黙の方法で学習したBEV機能に依存しており、安全で解釈可能な計画のためのリスクとガイダンスの明確なモデリングを欠いている。 そこで本研究では,リスクポテンシャルやレーンアトラクションを含む物理的に解釈可能なエネルギーベースフローフィールドを導入し,セマンティックな先行と安全性をBEV空間にエンコードするFlowDriveを提案する。 これらのフローアウェア機能は、アンカー軌道の適応的な洗練を可能にし、軌道生成のための解釈可能なガイダンスとして機能する。 さらに、FlowDriveは、特徴レベルのゲーティング、タスク干渉の緩和、マルチモーダル多様性の強化を含む条件付き拡散プランナーを介して、軌跡を逸脱した運動意図予測を分離する。 NAVSIM v2ベンチマークの実験では、FlowDriveが最先端のパフォーマンスを86.3のEPDMSで達成し、安全性と計画品質の両方において以前のベースラインを超えたことが示されている。 このプロジェクトはhttps://astrixdrive.github.io/FlowDrive.github.io/で公開されている。

関連論文リスト

• End-to-End Driving with Online Trajectory Evaluation via BEV World Model [52.10633338584164]
  本稿では,BEV Worldモデルを活用し,将来のBEV状態を予測するためのエンドツーエンド駆動フレームワークWoTEを提案する。 我々は,NAVSIMベンチマークとCARLAシミュレータに基づく閉ループBench2Driveベンチマークを用いて,最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-04-02T17:47:23Z)
• 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)
• 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)
• End-to-end Autonomous Driving: Challenges and Frontiers [45.391430626264764]
  エンドツーエンドの自動運転におけるモチベーション、ロードマップ、方法論、課題、今後のトレンドについて、270以上の論文を包括的に分析する。 マルチモダリティ、解釈可能性、因果的混乱、堅牢性、世界モデルなど、いくつかの重要な課題を掘り下げます。 基礎モデルと視覚前訓練の現在の進歩と、これらの技術をエンドツーエンドの駆動フレームワークに組み込む方法について論じる。
  論文  参考訳（メタデータ） (2023-06-29T14:17:24Z)
• NMR: Neural Manifold Representation for Autonomous Driving [2.2596039727344452]
  本研究では,有限地平線上の多様体上の意味論を推論し,経路点を予測する自律運転の表現を提案する。 本研究では, 周辺単分子画像と部分エゴ車状態の潜時高次元埋め込みに適用した反復的注意機構を用いてこれを行う。 本研究では,BEV占有格子のエッジ適応被覆損失に基づくサンプリングアルゴリズムを提案し,表面多様体を生成する。
  論文  参考訳（メタデータ） (2022-05-11T14:58:08Z)
• Learning Interpretable End-to-End Vision-Based Motion Planning for Autonomous Driving with Optical Flow Distillation [11.638798976654327]
  IVMPは、自動運転のための解釈可能なエンドツーエンドのビジョンベースのモーションプランニングアプローチです。 我々は,実時間性能を維持しつつネットワークを効果的に強化できる光フロー蒸留パラダイムを開発した。 我々のIVMPは、人間ドライバーをはるかに高い成功率で模倣する最先端のアプローチを著しく上回っています。
  論文  参考訳（メタデータ） (2021-04-18T13:51:25Z)

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。