論文の概要: Beyond Imitation: Constraint-Aware Trajectory Generation with Flow Matching For End-to-End Autonomous Driving
- arxiv url: http://arxiv.org/abs/2510.26292v1
- Date: Thu, 30 Oct 2025 09:24:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-31 16:05:09.735646
- Title: Beyond Imitation: Constraint-Aware Trajectory Generation with Flow Matching For End-to-End Autonomous Driving
- Title（参考訳）: シミュレーションを超えて: エンドツーエンド自動運転のためのフローマッチングによる制約対応軌道生成
- Authors: Lin Liu, Guanyi Yu, Ziying Song, Junqiao Li, Caiyan Jia, Feiyang Jia, Peiliang Wu, Yandan Luo,
- Abstract要約: 本稿では,制約付きフローマッチングを利用する新しい計画フレームワークであるCATGを提案する。
CatGは、本質的にモード崩壊を引き起こすフローマッチングプロセスを明示的にモデル化する。
CatGは、生成中の運転攻撃性を制御信号としてパラメータ化し、軌道スタイルの正確な操作を可能にする。
- 参考スコア（独自算出の注目度）: 18.239343348322134
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Planning is a critical component of end-to-end autonomous driving. However, prevailing imitation learning methods often suffer from mode collapse, failing to produce diverse trajectory hypotheses. Meanwhile, existing generative approaches struggle to incorporate crucial safety and physical constraints directly into the generative process, necessitating an additional optimization stage to refine their outputs. To address these limitations, we propose CATG, a novel planning framework that leverages Constrained Flow Matching. Concretely, CATG explicitly models the flow matching process, which inherently mitigates mode collapse and allows for flexible guidance from various conditioning signals. Our primary contribution is the novel imposition of explicit constraints directly within the flow matching process, ensuring that the generated trajectories adhere to vital safety and kinematic rules. Secondly, CATG parameterizes driving aggressiveness as a control signal during generation, enabling precise manipulation of trajectory style. Notably, on the NavSim v2 challenge, CATG achieved 2nd place with an EPDMS score of 51.31 and was honored with the Innovation Award.
- Abstract（参考訳）: 計画はエンドツーエンドの自動運転において重要な要素である。
しかし、一般的な模倣学習法は、しばしばモード崩壊に悩まされ、様々な軌道仮説を導出できない。
一方、既存の生成的アプローチは、生成プロセスに直接重要な安全性と物理的制約を組み込むのに苦労し、出力を洗練させるために追加の最適化段階を必要とする。
これらの制約に対処するために,制約付きフローマッチングを利用する新しい計画フレームワークであるCATGを提案する。
具体的には、CATGはモード崩壊を緩和し、様々な条件信号からの柔軟な誘導を可能にするフローマッチングプロセスを明示的にモデル化する。
我々の主な貢献は、フローマッチングプロセスに直接明示的な制約を付与することであり、生成された軌道が生命の安全と運動の規則に従うことを保証する。
第2に、CATGは生成中の運転攻撃性を制御信号としてパラメータ化し、軌道スタイルの正確な操作を可能にする。
特にナブシム v2チャレンジでは、CATGはEPDMSスコア51.31で2位を獲得し、イノベーション賞を受賞した。
関連論文リスト
- Primary-Fine Decoupling for Action Generation in Robotic Imitation [91.2899765310853]
ロボット操作動作シーケンスにおけるマルチモーダル分布は、模倣学習にとって重要な課題である。
PF-DAG(プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、PF-DAG)を提案する。
PF-DAGは、Adroit、DexArt、MetaWorldベンチマークの56タスクで最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2026-02-25T08:36:45Z) - Selective Steering: Norm-Preserving Control Through Discriminative Layer Selection [1.7802147489386628]
大規模言語モデル(LLM)は、有害な行動を引き起こす敵攻撃に対して脆弱なままである。
我々は2つの重要な革新を通じてこれらの制限に対処する選択ステアリングを提案する。
9つのモデルに対する実験により、選択ステアリングは以前の手法よりも5.5倍の攻撃成功率を達成することが示された。
論文 参考訳（メタデータ） (2026-01-27T08:56:25Z) - GuideFlow: Constraint-Guided Flow Matching for Planning in End-to-End Autonomous Driving [22.92109402334754]
運転計画は、エンドツーエンド(E2E)自動運転の重要な要素である。
textittextbfGuideFlowは、本質的にモード崩壊を緩和するフローマッチングプロセスを明示的にモデル化する。
textittextbfGuideFlowは、生成中の制御信号としてアグレッシブな動作をパラメータ化することで、トラジェクトリスタイルの正確な操作を可能にする。
論文 参考訳（メタデータ） (2025-11-24T03:45:32Z) - Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。
我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。
本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
論文 参考訳（メタデータ） (2025-09-24T13:35:15Z) - Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。
textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。
SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
論文 参考訳（メタデータ） (2025-09-24T13:27:35Z) - Modeling and Control of Deep Sign-Definite Dynamics with Application to Hybrid Powertrain Control [1.9116784879310027]
深層学習は、第一原理モデリングが難しい物理システムやシステムにますます使われる。
我々は,ジャコビアンエントリの制約を満たす新しいタイプの深層学習モデルを開発する。
2タンク方式のハイブリッドシステムでは,提案手法は既存手法よりも制御入力を改善する。
論文 参考訳（メタデータ） (2025-09-24T08:15:26Z) - 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) - Autoregressive Meta-Actions for Unified Controllable Trajectory Generation [10.123353592943968]
制御可能な軌道生成は自律運転システムにとって不可欠である。
既存のフレームワークは、固定された将来の時間間隔に割り当てられた不変なメタアクションに依存している。
本稿では,自動回帰メタアクション(Autoregressive Meta-Actions)を紹介する。
論文 参考訳（メタデータ） (2025-05-29T16:19:59Z) - RIFT: Group-Relative RL Fine-Tuning for Realistic and Controllable Traffic Simulation [13.319344167881383]
データ駆動シミュレーターにおいて、模擬学習事前学習を行う2段階のAV中心シミュレーションフレームワークを導入する。
次に、物理に基づくシミュレータで微調整を学習し、スタイルレベルの制御性を向上する。
微調整段階において,新しいグループ関連RL微調整戦略であるRIFTを提案する。
論文 参考訳（メタデータ） (2025-05-06T09:12:37Z) - 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) - A Tricycle Model to Accurately Control an Autonomous Racecar with Locked
Differential [71.53284767149685]
自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。
本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
論文 参考訳（メタデータ） (2023-12-22T16:29:55Z) - DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。
DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。
適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
論文 参考訳（メタデータ） (2023-10-13T12:22:31Z) - Integrating Higher-Order Dynamics and Roadway-Compliance into
Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。
既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。
このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
論文 参考訳（メタデータ） (2023-09-25T22:30:18Z)
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。