論文の概要: HYPE: Hybrid Planning with Ego Proposal-Conditioned Predictions

• arxiv url: http://arxiv.org/abs/2510.12733v1
• Date: Tue, 14 Oct 2025 17:11:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.410033
• Title: HYPE: Hybrid Planning with Ego Proposal-Conditioned Predictions
• Title（参考訳）: HYPE:エゴ提案に基づくハイブリッド計画
• Authors: Hang Yu, Julian Jordan, Julian Schmidt, Silvan Lindner, Alessandro Canevaro, Wilhelm Stork,
• Abstract要約: Egoの提案条件付き予測を用いたハイブリッドプランニングを提案する。 学習された提案モデルからの多モード軌道提案を事前としてモンテカルロ木探索の改良に統合する。 提案手法を考慮し,コスト関数設計を大幅に単純化する。
• 参考スコア（独自算出の注目度）: 45.689599596306614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Safe and interpretable motion planning in complex urban environments needs to reason about bidirectional multi-agent interactions. This reasoning requires to estimate the costs of potential ego driving maneuvers. Many existing planners generate initial trajectories with sampling-based methods and refine them by optimizing on learned predictions of future environment states, which requires a cost function that encodes the desired vehicle behavior. Designing such a cost function can be very challenging, especially if a wide range of complex urban scenarios has to be considered. We propose HYPE: HYbrid Planning with Ego proposal-conditioned predictions, a planner that integrates multimodal trajectory proposals from a learned proposal model as heuristic priors into a Monte Carlo Tree Search (MCTS) refinement. To model bidirectional interactions, we introduce an ego-conditioned occupancy prediction model, enabling consistent, scene-aware reasoning. Our design significantly simplifies cost function design in refinement by considering proposal-driven guidance, requiring only minimalistic grid-based cost terms. Evaluations on large-scale real-world benchmarks nuPlan and DeepUrban show that HYPE effectively achieves state-of-the-art performance, especially in safety and adaptability.
• Abstract（参考訳）: 複雑な都市環境における安全かつ解釈可能なモーションプランニングは、双方向のマルチエージェントインタラクションを推論する必要がある。 この推論は、潜在的エゴ運転操作のコストを見積もる必要がある。 多くの既存のプランナーは、サンプリングベースの手法で初期軌道を生成し、将来の環境状態の学習予測を最適化することでそれらを洗練する。 このようなコスト関数を設計することは、特に広範囲の複雑な都市シナリオを考慮する必要がある場合、非常に困難である。 HYPE: HYbrid Planning with Ego proposal-conditioned predictions, a Planner that integrates multimodal trajectory proposals from a learned proposal model as Heuristic priors into a Monte Carlo Tree Search (MCTS) refinement。 双方向インタラクションをモデル化するために,エゴ条件付き占有予測モデルを導入し,一貫したシーン認識推論を実現する。 我々の設計は,最小限のグリッドベースのコスト項のみを必要とする提案駆動型ガイダンスを考慮し,改良におけるコスト関数設計を著しく単純化する。 大規模な実世界のベンチマークであるnuPlanとDeepUrbanの評価によると、HYPEは、特に安全性と適応性において、最先端のパフォーマンスを効果的に達成している。

関連論文リスト

• Wide-Horizon Thinking and Simulation-Based Evaluation for Real-World LLM Planning with Multifaceted Constraints [39.01715254437105]
  本稿では,多面制約による計画課題を解決するための多面計画(MAoP)について紹介する。 MAoPは直接計画するのではなく、ストラテジストを活用して、さまざまな側面から事前計画を行い、プランナーのための計画青写真を提供する。
  論文  参考訳（メタデータ） (2025-06-14T09:37:59Z)
• Hybrid-Prediction Integrated Planning for Autonomous Driving [26.549857543338963]
  本稿では,3つのモジュールを新たに設計したハイブリッド予測統合計画(HPP)システムを提案する。 まず, 限界条件付き占有率予測を導入し, 共同占有率とエージェント・ワイド・インセプションとを一致させる。 第2に,ゲーム理論に基づく動作予測器GTFormerを提案する。 第3に、ハイブリッド予測パターンはEgo Plannerと並列に統合され、予測ガイダンスによって最適化される。
  論文  参考訳（メタデータ） (2024-02-04T09:51:19Z)
• PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
  PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。 我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-11-14T11:53:24Z)
• Interactive Joint Planning for Autonomous Vehicles [19.479300967537675]
  対話的な運転シナリオでは、あるエージェントの行動が隣人の行動に大きな影響を及ぼす。 本稿では,MPCを学習予測モデルでブリッジする対話型共同計画(Interactive Joint Planning, IJP)を提案する。 IJPは、共同最適化やサンプリングベースの計画を実行することなく、ベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2023-10-27T17:48:25Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。