論文の概要: AnchDrive: Bootstrapping Diffusion Policies with Hybrid Trajectory Anchors for End-to-End Driving

• arxiv url: http://arxiv.org/abs/2509.20253v2
• Date: Fri, 26 Sep 2025 11:00:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 12:12:20.334754
• Title: AnchDrive: Bootstrapping Diffusion Policies with Hybrid Trajectory Anchors for End-to-End Driving
• Title（参考訳）: AnchDrive: 終端駆動のためのハイブリッド軌道アンカーを用いたブートストラップ拡散法
• Authors: Jinhao Chai, Anqing Jiang, Hao Jiang, Shiyi Mu, Zichong Gu, Hao Sun, Shugong Xu,
• Abstract要約: AnchDriveはエンドツーエンドの駆動のためのフレームワークである。 従来の生成モデルの高い計算コストを軽減するために、拡散ポリシーをブートストラップする。 NAVSIMベンチマークの実験では、AnchDriveが新たな最先端を設定していることが確認された。
• 参考スコア（独自算出の注目度）: 19.724857120152944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: End-to-end multi-modal planning has become a transformative paradigm in autonomous driving, effectively addressing behavioral multi-modality and the generalization challenge in long-tail scenarios. We propose AnchDrive, a framework for end-to-end driving that effectively bootstraps a diffusion policy to mitigate the high computational cost of traditional generative models. Rather than denoising from pure noise, AnchDrive initializes its planner with a rich set of hybrid trajectory anchors. These anchors are derived from two complementary sources: a static vocabulary of general driving priors and a set of dynamic, context-aware trajectories. The dynamic trajectories are decoded in real-time by a Transformer that processes dense and sparse perceptual features. The diffusion model then learns to refine these anchors by predicting a distribution of trajectory offsets, enabling fine-grained refinement. This anchor-based bootstrapping design allows for efficient generation of diverse, high-quality trajectories. Experiments on the NAVSIM benchmark confirm that AnchDrive sets a new state-of-the-art and shows strong generalizability
• Abstract（参考訳）: エンド・ツー・エンドのマルチモーダル・プランニングは自律運転における変革的パラダイムとなり、ロングテールシナリオにおける行動的マルチモーダルと一般化の課題に効果的に対処している。 本稿では,従来の生成モデルの高計算コストを軽減するために,拡散ポリシを効果的にブートストラップする,エンドツーエンド駆動のためのフレームワークであるAnchDriveを提案する。 純粋なノイズから逸脱する代わりに、AnchDriveは豊富なハイブリッド軌道アンカーでプランナーを初期化する。 これらのアンカーは、一般的な運転先行の静的語彙と、動的でコンテキスト対応の軌跡のセットの2つの相補的なソースから派生している。 ダイナミックなトラジェクトリは、高密度かつスパースな知覚的特徴を処理するTransformerによって、リアルタイムにデコードされる。 拡散モデルは、軌跡オフセットの分布を予測してこれらのアンカーを洗練することを学び、きめ細かい精細化を可能にした。 このアンカーベースのブートストラップ設計により、多種多様な高品質な軌道を効率的に生成することができる。 NAVSIMベンチマークの実験では、AnchDriveが新しい最先端をセットアップし、強力な一般化性を示していることが確認された。

関連論文リスト

• FlowDrive: Energy Flow Field for End-to-End Autonomous Driving [50.89871153094958]
  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。
  論文  参考訳（メタデータ） (2025-09-17T13:51:33Z)
• ImagiDrive: A Unified Imagination-and-Planning Framework for Autonomous Driving [64.12414815634847]
  ビジョン・ランゲージ・モデル(VLM)とドライビング・ワールド・モデル(DWM)は、この課題のさまざまな側面に対処する強力なレシピとして独立して登場した。 我々は、VLMベースの運転エージェントとDWMベースのシーン想像装置を統合した、新しいエンドツーエンドの自動運転フレームワークであるImagiDriveを提案する。
  論文  参考訳（メタデータ） (2025-08-15T12:06:55Z)
• EvaDrive: Evolutionary Adversarial Policy Optimization for End-to-End Autonomous Driving [17.57364638932072]
  EvaDriveは、自動運転のための新しい強化学習フレームワークである。 ヒューマンライクな反復的意思決定のためのクローズドループ対向フレームワークを提供する。 NAVSIMとBench2Driveベンチマークの大規模な実験では、SOTAのパフォーマンスが示されている。
  論文  参考訳（メタデータ） (2025-08-05T11:26:28Z)
• Generalized Trajectory Scoring for End-to-end Multimodal Planning [42.38746285135693]
  Generalized Trajectory Scoring (GTRS)は、エンドツーエンドのマルチモーダル計画のための統合フレームワークである。 GTRSは,(1)多種多様な微細な提案を生成する拡散型軌跡生成装置,(2)高密度軌跡集合のスコアラをドロップアウト正規化で訓練する語彙一般化技術,(3)ドメイン外一般化を強化するセンサ増強戦略の3つの相補的なイノベーションで構成されている。 ナブシムv2チャレンジの勝利解として、GTRSは準最適センサ入力においても優れた性能を示す。
  論文  参考訳（メタデータ） (2025-06-07T05:06:05Z)
• TransDiffuser: Diverse Trajectory Generation with Decorrelated Multi-modal Representation for End-to-end Autonomous Driving [20.679370777762987]
  エンコーダデコーダに基づく生成軌道計画モデルであるTransDiffuserを提案する。 単純なマルチモーダル表現デコレーションのデノナイジング過程におけるデコレーション最適化機構を利用する。 TransDiffuserは、クローズドループ計画指向ベンチマークNAVSIMで94.85のPDMSを達成する。
  論文  参考訳（メタデータ） (2025-05-14T12:10:41Z)
• 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)
• Tractable Joint Prediction and Planning over Discrete Behavior Modes for Urban Driving [15.671811785579118]
  自己回帰閉ループモデルのパラメータ化は,再学習を伴わずに可能であることを示す。 離散潜在モード上での完全反応性閉ループ計画を提案する。 当社のアプローチは、CARLAにおける従来の最先端技術よりも、高密度なトラフィックシナリオに挑戦する上で優れています。
  論文  参考訳（メタデータ） (2024-03-12T01:00:52Z)
• 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)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)

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。