論文の概要: Embodied Cognition Augmented End2End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2511.01334v1
• Date: Mon, 03 Nov 2025 08:34:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.177162
• Title: Embodied Cognition Augmented End2End Autonomous Driving
• Title（参考訳）: Embodied Cognition Augmented End2End autonomous Driving
• Authors: Ling Niu, Xiaoji Zheng, Han Wang, Chen Zheng, Ziyuan Yang, Bokui Chen, Jiangtao Gong,
• Abstract要約: 本稿では,視覚特徴抽出ネットワークと一般的な脳波大モデルの比較学習を提唱する新しいパラダイムである$E3AD$を提案する。 E3AD$パラダイムがベースラインモデルのエンド・ツー・エンド・プランニング性能を大幅に向上させることを示す。 これは、エンド・ツー・エンドの自動運転計画を改善するために人間の運転認知を統合する最初の試みである。
• 参考スコア（独自算出の注目度）: 10.734549902368174
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In recent years, vision-based end-to-end autonomous driving has emerged as a new paradigm. However, popular end-to-end approaches typically rely on visual feature extraction networks trained under label supervision. This limited supervision framework restricts the generality and applicability of driving models. In this paper, we propose a novel paradigm termed $E^{3}AD$, which advocates for comparative learning between visual feature extraction networks and the general EEG large model, in order to learn latent human driving cognition for enhancing end-to-end planning. In this work, we collected a cognitive dataset for the mentioned contrastive learning process. Subsequently, we investigated the methods and potential mechanisms for enhancing end-to-end planning with human driving cognition, using popular driving models as baselines on publicly available autonomous driving datasets. Both open-loop and closed-loop tests are conducted for a comprehensive evaluation of planning performance. Experimental results demonstrate that the $E^{3}AD$ paradigm significantly enhances the end-to-end planning performance of baseline models. Ablation studies further validate the contribution of driving cognition and the effectiveness of comparative learning process. To the best of our knowledge, this is the first work to integrate human driving cognition for improving end-to-end autonomous driving planning. It represents an initial attempt to incorporate embodied cognitive data into end-to-end autonomous driving, providing valuable insights for future brain-inspired autonomous driving systems. Our code will be made available at Github
• Abstract（参考訳）: 近年では、視覚に基づくエンドツーエンドの自動運転が新しいパラダイムとして登場している。 しかし、一般的なエンドツーエンドアプローチは一般的にラベル管理の下で訓練された視覚的特徴抽出ネットワークに依存している。 この限定的な監視フレームワークは、駆動モデルの汎用性と適用性を制限する。 本稿では,視覚特徴抽出ネットワークと一般脳波大モデルの比較学習を提唱する「$E^{3}AD$」という新しいパラダイムを提案する。 本研究では,前述した対照的な学習プロセスの認知データセットを収集した。 続いて、一般向け自動運転データセットのベースラインとして人気の運転モデルを用いて、人間の運転認知によるエンド・ツー・エンド・プランニングを強化する手法とメカニズムについて検討した。 計画性能を総合的に評価するために, オープンループ, クローズループの両試験を行った。 実験の結果,$E^{3}AD$パラダイムはベースラインモデルのエンド・ツー・エンド計画性能を大幅に向上させることが示された。 アブレーション研究は、運転認知の寄与と比較学習プロセスの有効性をさらに検証する。 我々の知る限りでは、これは人間の運転認知を統合して、エンドツーエンドの自動運転計画を改善する最初の試みである。 これは、エンボディされた認知データをエンドツーエンドの自動運転に組み込もうとする最初の試みであり、将来の脳にインスパイアされた自律運転システムにとって貴重な洞察を提供する。 私たちのコードはGithubで公開されます

関連論文リスト

• 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)
• Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
  本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。 私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
  論文  参考訳（メタデータ） (2024-07-09T04:56:11Z)
• Enhancing End-to-End Autonomous Driving with Latent World Model [78.22157677787239]
  本稿では,LAW(Latent World Model)を用いたエンドツーエンド運転のための自己教師型学習手法を提案する。 LAWは、現在の特徴とエゴ軌道に基づいて将来のシーン機能を予測する。 この自己監督タスクは、知覚のない、知覚に基づくフレームワークにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2024-06-12T17:59:21Z)
• The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review [43.30610493968783]
  我々は、最先端のディープラーニングベースの計画システムについてレビューし、どのように予測を統合するかに焦点を当てる。 異なる統合原則の意味、強み、限界について論じる。
  論文  参考訳（メタデータ） (2023-08-10T17:53:03Z)
• Recent Advancements in End-to-End Autonomous Driving using Deep Learning: A Survey [9.385936248154987]
  エンド・ツー・エンドの運転は、モジュラーシステムに関連する欠点を回避するため、有望なパラダイムである。 エンド・ツー・エンド自動運転の最近の進歩は分析され、基礎原理に基づいて研究が分類される。 本稿では,最先端の評価,課題の特定,今後の可能性を探る。
  論文  参考訳（メタデータ） (2023-07-10T07:00:06Z)
• End-to-end Autonomous Driving: Challenges and Frontiers [45.391430626264764]
  エンドツーエンドの自動運転におけるモチベーション、ロードマップ、方法論、課題、今後のトレンドについて、270以上の論文を包括的に分析する。 マルチモダリティ、解釈可能性、因果的混乱、堅牢性、世界モデルなど、いくつかの重要な課題を掘り下げます。 基礎モデルと視覚前訓練の現在の進歩と、これらの技術をエンドツーエンドの駆動フレームワークに組み込む方法について論じる。
  論文  参考訳（メタデータ） (2023-06-29T14:17:24Z)

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。