論文の概要: BridgeDrive: Diffusion Bridge Policy for Closed-Loop Trajectory Planning in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2509.23589v1
• Date: Sun, 28 Sep 2025 02:47:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.309378
• Title: BridgeDrive: Diffusion Bridge Policy for Closed-Loop Trajectory Planning in Autonomous Driving
• Title（参考訳）: BridgeDrive:自動運転における閉ループ軌道計画のための拡散ブリッジポリシー
• Authors: Shu Liu, Wenlin Chen, Weihao Li, Zheng Wang, Lijin Yang, Jianing Huang, Yipin Zhang, Zhongzhan Huang, Ze Cheng, Hao Yang,
• Abstract要約: BridgeDriveは、閉ループ軌道計画のための新しいアンカー誘導拡散ブリッジポリシーである。 我々はBench2Driveベンチマークで最先端のパフォーマンスを達成し、先行技術よりも成功率を5%向上させた。
• 参考スコア（独自算出の注目度）: 29.832781649644414
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diffusion-based planners have shown great promise for autonomous driving due to their ability to capture multi-modal driving behaviors. However, guiding these models effectively in reactive, closed-loop environments remains a significant challenge. Simple conditioning often fails to provide sufficient guidance in complex and dynamic driving scenarios. Recent work attempts to use typical expert driving behaviors (i.e., anchors) to guide diffusion models but relies on a truncated schedule, which introduces theoretical inconsistencies and can compromise performance. To address this, we introduce BridgeDrive, a novel anchor-guided diffusion bridge policy for closed-loop trajectory planning. Our approach provides a principled diffusion framework that effectively translates anchors into fine-grained trajectory plans, appropriately responding to varying traffic conditions. Our planner is compatible with efficient ODE solvers, a critical factor for real-time autonomous driving deployment. We achieve state-of-the-art performance on the Bench2Drive benchmark, improving the success rate by 5% over prior arts.
• Abstract（参考訳）: 拡散に基づくプランナーは、マルチモーダル運転の振る舞いを捉えているため、自律運転に非常に有望である。 しかし、これらのモデルをリアクティブでクローズドループな環境で効果的に導くことは大きな課題である。 単純な条件付けは複雑な動的駆動シナリオにおいて十分なガイダンスを提供するのに失敗することが多い。 最近の研究は、典型的な専門家の運転行動(例えばアンカー)を使って拡散モデルを導くが、理論上の矛盾を導入し、性能を損なうような混乱したスケジュールに依存している。 そこで本研究では,閉ループ軌道計画のための新しいアンカー誘導拡散ブリッジポリシーであるBridgeDriveを紹介する。 提案手法は, アンカーを微粒な軌道計画に効果的に変換し, 様々な交通条件に適切に対応させる, 原理的拡散フレームワークを提供する。 我々のプランナーは、リアルタイムの自動運転デプロイメントにおいて重要な要素である効率的なODEソルバと互換性がある。 我々はBench2Driveベンチマークで最先端のパフォーマンスを達成し、先行技術よりも成功率を5%向上させた。

関連論文リスト

• AnchDrive: Bootstrapping Diffusion Policies with Hybrid Trajectory Anchors for End-to-End Driving [19.724857120152944]
  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。
  論文  参考訳（メタデータ） (2025-09-24T15:38:41Z)
• 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)
• X-Driver: Explainable Autonomous Driving with Vision-Language Models [6.053632514335829]
  エンドツーエンドの自動運転は大幅に進歩し、システムの単純さや運転性能の向上といったメリットを提供している。 既存のフレームワークはまだクローズドループ評価の成功率の低下に悩まされており、実際のデプロイメントにおける制限を強調している。 我々は,クローズドループ自律運転用に設計された,マルチモーダルな大規模言語モデルフレームワークであるX-Driverを紹介する。
  論文  参考訳（メタデータ） (2025-05-08T09:52:55Z)
• Hydra-NeXt: Robust Closed-Loop Driving with Open-Loop Training [64.16445087751039]
  Hydra-NeXtは、軌道予測、制御予測、軌道修正ネットワークを一つのモデルに統合する、新しいマルチブランチ計画フレームワークである。 Hydra-NeXt は22.98 DS と 17.49 SR を上回り、自動運転の大幅な進歩を示している。
  論文  参考訳（メタデータ） (2025-03-15T07:42:27Z)
• 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)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)

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。