論文の概要: FlowDrive: moderated flow matching with data balancing for trajectory planning

• arxiv url: http://arxiv.org/abs/2509.21961v1
• Date: Fri, 26 Sep 2025 06:49:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.245306
• Title: FlowDrive: moderated flow matching with data balancing for trajectory planning
• Title（参考訳）: FlowDrive: 軌跡計画のためのデータバランシングによる適度なフローマッチング
• Authors: Lingguang Wang, Ömer Şahin Taş, Marlon Steiner, Christoph Stiller,
• Abstract要約: FlowDriveは、条件付き修正フローを学習し、ノイズを直接トラジェクトリ分布にマッピングするフローマッチングトラジェクトリプランナである。 FlowDriveは、学習ベースのプランナーとルールベースの改善によるアプローチ手法の間で、最先端の結果を達成する。
• 参考スコア（独自算出の注目度）: 5.553127690929986
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Learning-based planners are sensitive to the long-tailed distribution of driving data. Common maneuvers dominate datasets, while dangerous or rare scenarios are sparse. This imbalance can bias models toward the frequent cases and degrade performance on critical scenarios. To tackle this problem, we compare balancing strategies for sampling training data and find reweighting by trajectory pattern an effective approach. We then present FlowDrive, a flow-matching trajectory planner that learns a conditional rectified flow to map noise directly to trajectory distributions with few flow-matching steps. We further introduce moderated, in-the-loop guidance that injects small perturbation between flow steps to systematically increase trajectory diversity while remaining scene-consistent. On nuPlan and the interaction-focused interPlan benchmarks, FlowDrive achieves state-of-the-art results among learning-based planners and approaches methods with rule-based refinements. After adding moderated guidance and light post-processing (FlowDrive*), it achieves overall state-of-the-art performance across nearly all benchmark splits.
• Abstract（参考訳）: 学習ベースのプランナーは、運転データの長期分布に敏感である。 一般的な操作がデータセットを支配しているが、危険なシナリオや稀なシナリオは少ない。 この不均衡は、頻繁なケースに対するバイアスモデルと、重要なシナリオにおけるパフォーマンスを低下させる可能性がある。 この問題に対処するために、トレーニングデータのサンプリングのためのバランス戦略を比較し、軌道パターンによる重み付けを効果的に行う方法を提案する。 次に,フローマッチングのステップがほとんどない経路分布に直接ノイズをマッピングするために,条件付き整流フローを学習するフローマッチング・トラジェクトリ・プランナであるFlowDriveを提案する。 さらに,移動経路間の微小な摂動を注入し,シーン一貫性を保ちながら軌道の多様性を体系的に向上させる,中程度のループ内誘導も導入する。 nuPlanとインタラクション中心のInterPlanベンチマークでは、FlowDriveは、学習ベースのプランナとルールベースの改善によるアプローチメソッドの間で、最先端の結果を達成する。 適度なガイダンスとライトポストプロセッシング(FlowDrive*)を追加した後、ほぼすべてのベンチマークスプリットで、全体的な最先端のパフォーマンスを達成する。

関連論文リスト

• RetroMotion: Retrocausal Motion Forecasting Models are Instructable [11.883714030537028]
  本研究では,情報の流れの逆因性を含む動作予測のためのマルチタスク学習手法を開発した。 本手法はArgoverse 2データセットによく当てはまる。 実験の結果,運動予測の定期的な訓練は,目標に基づく指示に従う能力に繋がることがわかった。
  論文  参考訳（メタデータ） (2025-05-26T18:05:59Z)
• Optimal Flow Matching: Learning Straight Trajectories in Just One Step [89.37027530300617]
  我々は,新しいtextbf Optimal Flow Matching (OFM) アプローチを開発し,理論的に正当化する。 これは2次輸送のための直列のOT変位をFMの1ステップで回復することを可能にする。 提案手法の主な考え方は,凸関数によってパラメータ化されるFMのベクトル場の利用である。
  論文  参考訳（メタデータ） (2024-03-19T19:44:54Z)
• 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)
• Controllable Diverse Sampling for Diffusion Based Motion Behavior Forecasting [11.106812447960186]
  制御可能拡散軌道(CDT)と呼ばれる新しい軌道生成器を導入する。 CDTは、情報と社会的相互作用をトランスフォーマーに基づく条件記述拡散モデルに統合し、将来の軌跡の予測を導く。 マルチモーダル性を確保するため,直進,右折,左折などの軌道モードを指示する行動トークンを組み込んだ。
  論文  参考訳（メタデータ） (2024-02-06T13:16:54Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Accurate non-stationary short-term traffic flow prediction method [0.0]
  本稿では,Long Short-Term Memory (LSTM) に基づく,短時間のトラフィックフローを正確に予測できる手法を提案する。 提案手法は, 極端外れ値, 遅延効果, トレンド変化応答に対して, 優れた性能を有する他の最先端手法に対して良好に動作する。
  論文  参考訳（メタデータ） (2022-05-01T17:11:34Z)

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。