論文の概要: ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2510.08562v1
• Date: Thu, 09 Oct 2025 17:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:15.305542
• Title: ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving
• Title（参考訳）: ResAD: エンドツーエンド自動運転のための正規化残留軌道モデリング
• Authors: Zhiyu Zheng, Shaoyu Chen, Haoran Yin, Xinbang Zhang, Jialv Zou, Xinggang Wang, Qian Zhang, Lefei Zhang,
• Abstract要約: ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
• 参考スコア（独自算出の注目度）: 64.42138266293202
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: End-to-end autonomous driving (E2EAD) systems, which learn to predict future trajectories directly from sensor data, are fundamentally challenged by the inherent spatio-temporal imbalance of trajectory data. This imbalance creates a significant optimization burden, causing models to learn spurious correlations instead of causal inference, while also prioritizing uncertain, distant predictions, thereby compromising immediate safety. To address these issues, we propose ResAD, a novel Normalized Residual Trajectory Modeling framework. Instead of predicting the future trajectory directly, our approach reframes the learning task to predict the residual deviation from a deterministic inertial reference. The inertial reference serves as a counterfactual, forcing the model to move beyond simple pattern recognition and instead identify the underlying causal factors (e.g., traffic rules, obstacles) that necessitate deviations from a default, inertially-guided path. To deal with the optimization imbalance caused by uncertain, long-term horizons, ResAD further incorporates Point-wise Normalization of the predicted residual. It re-weights the optimization objective, preventing large-magnitude errors associated with distant, uncertain waypoints from dominating the learning signal. Extensive experiments validate the effectiveness of our framework. On the NAVSIM benchmark, ResAD achieves a state-of-the-art PDMS of 88.6 using a vanilla diffusion policy with only two denoising steps, demonstrating that our approach significantly simplifies the learning task and improves model performance. The code will be released to facilitate further research.
• Abstract（参考訳）: センサデータから直接将来の軌跡を予測しようとするエンド・ツー・エンドの自律運転(E2EAD)システムは,トラジェクトリデータの時空間的不均衡によって根本的に問題視される。 この不均衡は、重要な最適化の負担を生じさせ、モデルが因果推論の代わりに急激な相関を学習すると同時に、不確実で遠い予測を優先順位付けし、即時安全性を損なう。 これらの問題に対処するため、我々は新しい正規化残留軌道モデリングフレームワークであるResADを提案する。 今後の軌道を直接予測する代わりに,我々の手法は学習タスクを再編成し,決定論的慣性参照から残留偏差を予測する。 慣性参照は反ファクトとして機能し、モデルは単純なパターン認識を超えて移動させ、代わりにデフォルトの誘導経路から逸脱する必要のある根底にある因果因子(例えば、交通規則、障害)を特定する。 不確実で長期の地平線による最適化の不均衡に対処するため、ResADはさらに予測残差のポイントワイド正規化を取り入れている。 最適化の目的を再重み付けし、遠方の不確実な経路点に付随する大振幅誤差が学習信号を支配するのを防ぐ。 大規模な実験により、我々のフレームワークの有効性が検証された。 NAVSIMベンチマークにおいて、ResAD は2段階のみのバニラ拡散ポリシーを用いて、最先端の PDMS 88.6 を達成し、我々のアプローチが学習タスクを著しく単純化し、モデル性能を向上させることを実証した。 コードは、さらなる研究を促進するためにリリースされます。

関連論文リスト

• Control-Augmented Autoregressive Diffusion for Data Assimilation [17.305296093966803]
  本稿では,ARDMを軽量コントローラで拡張するアモールト化フレームワークを提案する。 我々はこの枠組みをカオス偏微分方程式(PDE)に対するデータ同化(DA)の文脈で評価する。 提案手法は,DA推論をオンザフライ修正による単一前方ロールアウトに還元し,推論中に高価な随伴計算や最適化を回避する。
  論文  参考訳（メタデータ） (2025-10-08T04:37:32Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Intention-Aware Diffusion Model for Pedestrian Trajectory Prediction [15.151965172049271]
  本稿では,短期と長期の両方の動作意図を組み込んだ拡散型歩行者軌道予測フレームワークを提案する。 提案するフレームワークはETH, UCY, SDDのベンチマークで評価され, 最先端手法に対する競合性を実証した。
  論文  参考訳（メタデータ） (2025-08-10T02:36:33Z)
• Beyond Patterns: Harnessing Causal Logic for Autonomous Driving Trajectory Prediction [10.21659221112514]
  本稿では、因果推論を利用して予測堅牢性、一般化、精度を向上させる新しい軌道予測フレームワークを提案する。 本研究は、軌跡予測の因果推論の可能性を強調し、ロバストな自律運転システムへの道を開くものである。
  論文  参考訳（メタデータ） (2025-05-11T05:56:07Z)
• Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
  我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。 本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
  論文  参考訳（メタデータ） (2025-03-14T17:59:41Z)
• Large Continual Instruction Assistant [59.585544987096974]
  CIT(Continuous Instruction Tuning)は、大規模モデルにデータによる人間の意図データに従うよう指示するために用いられる。 既存の更新勾配は、CITプロセス中に前のデータセットのパフォーマンスを著しく損なうことになる。 本稿では,この課題に対処する汎用的な連続的命令チューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-08T11:24:59Z)
• Building Real-time Awareness of Out-of-distribution in Trajectory Prediction for Autonomous Vehicles [9.009998323918621]
  十分に訓練された機械学習モデルでさえ、トレーニングデータと推論中に遭遇する実世界の条件の相違により、信頼性の低い予測を生成する可能性がある。 我々は,OOD検出を変更点検出問題としてフレーミングすることで,OOD検出の原理的リアルタイムアプローチを導入する。 我々の軽量なソリューションは、軌道予測推論中にいつでもOODの発生を処理できる。
  論文  参考訳（メタデータ） (2024-09-25T18:43:58Z)
• Deep autoregressive density nets vs neural ensembles for model-based offline reinforcement learning [2.9158689853305693]
  本稿では、利用可能なデータからシステムダイナミクスを推定し、仮想モデルロールアウトにおけるポリシー最適化を行うモデルベース強化学習アルゴリズムについて考察する。 このアプローチは、実際のシステムで破滅的な失敗を引き起こす可能性のあるモデルエラーを悪用することに対して脆弱である。 D4RLベンチマークの1つのよく校正された自己回帰モデルにより、より良い性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-02-05T10:18:15Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)

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。