論文の概要: UniPlanner: A Unified Motion Planning Framework for Autonomous Vehicle Decision-Making Systems via Multi-Dataset Integration
- arxiv url: http://arxiv.org/abs/2510.24166v1
- Date: Tue, 28 Oct 2025 08:12:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-29 15:35:36.900466
- Title: UniPlanner: A Unified Motion Planning Framework for Autonomous Vehicle Decision-Making Systems via Multi-Dataset Integration
- Title（参考訳）: UniPlanner: マルチデータセット統合による自律走行車両意思決定システムのための統一運動計画フレームワーク
- Authors: Xin Yang, Yuhang Zhang, Wei Li, Xin Lin, Wenbin Zou, Chen Xu,
- Abstract要約: 自動運転車の意思決定におけるマルチデータセット統合のための最初の計画フレームワークであるUniPlannerを提案する。
UniPlannerは3つのシナジスティックな革新を通じて、データセット間の統合学習を実現する。
まず、ヒストリー・フューチャー・トラジェクトリ辞書ネットワーク(HFTDN)は、複数のデータセットからヒストリー・フューチャー・トラジェクトリのペアを集約し、ヒストリー・トラジェクトリの類似性を利用して、関連する未来を検索し、クロスデータセット・プランニング・ガイダンスを生成する。
第2に、GFTM(Gradient-Free Trajectory Mapper)は、複数のデータセットから堅牢なヒストリ-フューチャー相関を学習し、過去のトラジェクトリを普遍的な計画先へと変換する。
- 参考スコア（独自算出の注目度）: 25.903838178674558
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motion planning is a critical component of autonomous vehicle decision-making systems, directly determining trajectory safety and driving efficiency. While deep learning approaches have advanced planning capabilities, existing methods remain confined to single-dataset training, limiting their robustness in planning. Through systematic analysis, we discover that vehicular trajectory distributions and history-future correlations demonstrate remarkable consistency across different datasets. Based on these findings, we propose UniPlanner, the first planning framework designed for multi-dataset integration in autonomous vehicle decision-making. UniPlanner achieves unified cross-dataset learning through three synergistic innovations. First, the History-Future Trajectory Dictionary Network (HFTDN) aggregates history-future trajectory pairs from multiple datasets, using historical trajectory similarity to retrieve relevant futures and generate cross-dataset planning guidance. Second, the Gradient-Free Trajectory Mapper (GFTM) learns robust history-future correlations from multiple datasets, transforming historical trajectories into universal planning priors. Its gradient-free design ensures the introduction of valuable priors while preventing shortcut learning, making the planning knowledge safely transferable. Third, the Sparse-to-Dense (S2D) paradigm implements adaptive dropout to selectively suppress planning priors during training for robust learning, while enabling full prior utilization during inference to maximize planning performance.
- Abstract（参考訳）: 運動計画は自動運転車の意思決定システムにおいて重要な要素であり、軌道の安全性と運転効率を直接決定する。
ディープラーニングアプローチには高度な計画能力があるが、既存の手法はシングルデータセットのトレーニングに限られており、計画の堅牢性に制限がある。
系統的な解析により, 車両軌道分布と履歴-未来相関が, 異なるデータセット間で顕著な一貫性を示すことが明らかとなった。
これらの知見に基づき、自動運転車の意思決定におけるマルチデータセット統合のための最初の計画フレームワークUniPlannerを提案する。
UniPlannerは3つのシナジスティックな革新を通じて、データセット間の統合学習を実現する。
まず、ヒストリー・フューチャー・トラジェクトリ辞書ネットワーク(HFTDN)は、複数のデータセットからヒストリー・フューチャー・トラジェクトリのペアを集約し、ヒストリー・トラジェクトリの類似性を利用して、関連する未来を検索し、クロスデータセット・プランニング・ガイダンスを生成する。
第2に、GFTM(Gradient-Free Trajectory Mapper)は、複数のデータセットから堅牢なヒストリ-フューチャー相関を学習し、過去のトラジェクトリを普遍的な計画先へと変換する。
その勾配のない設計は、価値ある事前の導入を確実にすると同時に、ショートカット学習を防止し、計画知識を安全に移行可能にする。
第3に、Sparse-to-Dense(S2D)パラダイムは適応的なドロップアウトを実装し、頑健な学習のためのトレーニング中の計画事前を選択的に抑制し、推論時の事前利用を可能にして計画性能を最大化する。
関連論文リスト
- Perception in Plan: Coupled Perception and Planning for End-to-End Autonomous Driving [13.367058484125787]
VeteranADは、エンドツーエンドの自動運転のための認識と計画の複合フレームワークである。
本稿では,計画プロセスに知覚を組み込むフレームワーク設計について紹介する。
VeteranADは、計画指向のエンドツーエンドメソッドの可能性を完全に解き放ち、より正確で信頼性の高い運転行動をもたらす。
論文 参考訳（メタデータ） (2025-08-15T14:05:57Z) - ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。
我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。
次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
論文 参考訳（メタデータ） (2025-06-09T03:14:04Z) - Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。
Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-05-23T09:22:19Z) - Bridging Past and Future: End-to-End Autonomous Driving with Historical Prediction and Planning [12.182364509599228]
エンドツーエンドの自動運転は、タスクを差別化可能なフレームワークに統合し、計画指向の最適化を可能にし、注目を集める。
動作と計画のクエリを多段階のクエリとして再構成し、将来のステップ毎にクエリを区別するBridgeADを提案する。
この設計は、時間ステップに基づくエンド・ツー・エンドシステムの適切な部分にそれらを適用することにより、歴史的予測と計画の効果的利用を可能にし、知覚と運動計画の両方を改善する。
論文 参考訳（メタデータ） (2025-03-18T11:57:31Z) - LHPF: Look back the History and Plan for the Future in Autonomous Driving [10.855426442780516]
本稿では,歴史計画情報を統合した模倣学習プランナ LHPF を紹介する。
我々のアプローチでは、歴史的計画意図をプールする歴史的意図集約モジュールを採用している。
実世界のデータと合成データの両方を用いた実験は、LHPFが既存の高度な学習ベースのプランナーに勝るだけでなく、純粋に学習ベースのプランナーがエキスパートを上回った最初の事例であることを示している。
論文 参考訳（メタデータ） (2024-11-26T09:30:26Z) - ST-P3: End-to-end Vision-based Autonomous Driving via Spatial-Temporal
Feature Learning [132.20119288212376]
本稿では,認識,予測,計画タスクを同時に行うための,より代表的な特徴の集合に対する時空間的特徴学習手法を提案する。
私たちの知識を最大限に活用するために、私たちは、解釈可能なエンドツーエンドの自動運転システムの各部分を体系的に調査した最初の人です。
論文 参考訳（メタデータ） (2022-07-15T16:57:43Z) - Differentiable Spatial Planning using Transformers [87.90709874369192]
本研究では、長距離空間依存を計画して行動を生成する障害マップを与えられた空間計画変換器(SPT)を提案する。
エージェントが地上の真理マップを知らない環境では、エンド・ツー・エンドのフレームワークで事前訓練されたSPTを利用する。
SPTは、操作タスクとナビゲーションタスクの両方のすべてのセットアップにおいて、最先端の差別化可能なプランナーよりも優れています。
論文 参考訳（メタデータ） (2021-12-02T06:48:16Z) - 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)
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。