論文の概要: ExpertAD: Enhancing Autonomous Driving Systems with Mixture of Experts

• arxiv url: http://arxiv.org/abs/2511.11740v1
• Date: Thu, 13 Nov 2025 13:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.198479
• Title: ExpertAD: Enhancing Autonomous Driving Systems with Mixture of Experts
• Title（参考訳）: ExpertAD: 専門家の混在による自動運転システムの強化
• Authors: Haowen Jiang, Xinyu Huang, You Lu, Dingji Wang, Yuheng Cao, Chaofeng Sha, Bihuan Chen, Keyu Chen, Xin Peng,
• Abstract要約: ExpertADは、自律運転システムの性能を高める新しいフレームワークである。 実験の結果,ExpertADは従来の手法に比べて平均衝突速度を最大20%削減し,推論遅延を25%削減できることがわかった。
• 参考スコア（独自算出の注目度）: 13.846892166111646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in end-to-end autonomous driving systems (ADSs) underscore their potential for perception and planning capabilities. However, challenges remain. Complex driving scenarios contain rich semantic information, yet ambiguous or noisy semantics can compromise decision reliability, while interference between multiple driving tasks may hinder optimal planning. Furthermore, prolonged inference latency slows decision-making, increasing the risk of unsafe driving behaviors. To address these challenges, we propose ExpertAD, a novel framework that enhances the performance of ADS with Mixture of Experts (MoE) architecture. We introduce a Perception Adapter (PA) to amplify task-critical features, ensuring contextually relevant scene understanding, and a Mixture of Sparse Experts (MoSE) to minimize task interference during prediction, allowing for effective and efficient planning. Our experiments show that ExpertAD reduces average collision rates by up to 20% and inference latency by 25% compared to prior methods. We further evaluate its multi-skill planning capabilities in rare scenarios (e.g., accidents, yielding to emergency vehicles) and demonstrate strong generalization to unseen urban environments. Additionally, we present a case study that illustrates its decision-making process in complex driving scenarios.
• Abstract（参考訳）: エンド・ツー・エンドの自動運転システム(ADS)の最近の進歩は、認識と計画能力の可能性を浮き彫りにしている。 しかし、課題は残る。 複雑な運転シナリオは、豊富な意味情報を含んでいるが、曖昧でノイズの多い意味論は、決定の信頼性を損なう可能性がある。 さらに、長時間の推論遅延は意思決定を遅くし、安全でない運転行動のリスクを増大させる。 このような課題に対処するため,Mixture of Experts (MoE)アーキテクチャによるADSの性能向上を目的とした新しいフレームワークであるExpertADを提案する。 本研究では,タスククリティカルな特徴を増幅し,文脈に関連のあるシーン理解を確保するための知覚適応器 (PA) と,予測中のタスク干渉を最小限に抑えるためのスパースエキスパート混合器 (MoSE) を導入する。 実験の結果,ExpertADは従来の手法に比べて平均衝突速度を最大20%削減し,推論遅延を25%削減できることがわかった。 稀なシナリオ(例:事故、緊急車両への送達)における多スキル計画能力を更に評価し、未確認都市環境への強力な一般化を実証する。 さらに、複雑な運転シナリオにおける意思決定プロセスを示すケーススタディを提案する。

関連論文リスト

• A Knowledge-Driven Diffusion Policy for End-to-End Autonomous Driving Based on Expert Routing [43.930171390617055]
  本稿では,知識駆動型拡散モデルであるKDPと,スパース・ミックス・オブ・エキスパート・ルーティング機構の統合について述べる。 代表的な運転シナリオに対する実験では、KDPは成功率を一貫して向上し、衝突リスクを低減し、一般的なパラダイムよりもスムーズな制御を実現している。 これらの結果は、知識駆動型エンドツーエンド自動運転のためのスケーラブルで解釈可能なパラダイムとして、エキスパートルーティングと拡散を確立する。
  論文  参考訳（メタデータ） (2025-09-05T07:07:18Z)
• ImagiDrive: A Unified Imagination-and-Planning Framework for Autonomous Driving [64.12414815634847]
  ビジョン・ランゲージ・モデル(VLM)とドライビング・ワールド・モデル(DWM)は、この課題のさまざまな側面に対処する強力なレシピとして独立して登場した。 我々は、VLMベースの運転エージェントとDWMベースのシーン想像装置を統合した、新しいエンドツーエンドの自動運転フレームワークであるImagiDriveを提案する。
  論文  参考訳（メタデータ） (2025-08-15T12:06:55Z)
• World Model-Based End-to-End Scene Generation for Accident Anticipation in Autonomous Driving [1.8277374107085946]
  本稿では,生成的拡張シーンと適応的時間的推論を組み合わせた包括的枠組みを提案する。 我々は、高解像度で統計的に一貫した運転シナリオを作成するために、ドメインインフォームドプロンプトによって世界モデルを利用するビデオ生成パイプラインを開発した。 並列に、強化グラフ畳み込みと拡張時間演算子を通して時間関係を符号化する動的予測モデルを構築する。
  論文  参考訳（メタデータ） (2025-07-17T03:34:54Z)
• DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
  DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。 タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。 シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-07T11:41:18Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• Collaborative Perception for Connected and Autonomous Driving: Challenges, Possible Solutions and Opportunities [10.020039700138692]
  コネクテッド・自動運転車(CAV)との協調的な認識は、これらの制限を克服するための有望な解決策である。 本稿では、まず、データ共有の非同期性、データボリューム、エラーの対応など、協調的な知覚の課題を識別する。 本稿では,チャネル認識型協調認識フレームワークである通信効率と遅延問題に対処する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-03T05:33:14Z)
• ReasonNet: End-to-End Driving with Temporal and Global Reasoning [31.319673950804972]
  ReasonNetは、運転シーンの時間的情報と世界的情報の両方を広範囲に活用する、新しいエンドツーエンド駆動フレームワークである。 本手法は,異なるフレームにおける特徴間の相互作用や関係を効果的に処理できる。 シーンのグローバルな情報に関する推論は、全体の知覚性能を向上させることもできる。
  論文  参考訳（メタデータ） (2023-05-17T18:24:43Z)
• Reinforcement Learning with a Terminator [80.34572413850186]
  我々は, TerMDP のパラメータを学習し, 推定問題の構造を活用し, 状態ワイドな信頼境界を提供する。 我々はこれらを用いて証明可能な効率のよいアルゴリズムを構築し、終端を考慮し、その後悔を抑える。
  論文  参考訳（メタデータ） (2022-05-30T18:40:28Z)

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。