論文の概要: DiffRefiner: Coarse to Fine Trajectory Planning via Diffusion Refinement with Semantic Interaction for End to End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2511.17150v1
• Date: Fri, 21 Nov 2025 11:16:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.985915
• Title: DiffRefiner: Coarse to Fine Trajectory Planning via Diffusion Refinement with Semantic Interaction for End to End Autonomous Driving
• Title（参考訳）: DiffRefiner: 終端自律運転のための意味的相互作用を伴う拡散リファインメントによる細軌道計画の粗末化
• Authors: Liuhan Yin, Runkun Ju, Guodong Guo, Erkang Cheng,
• Abstract要約: 本稿では,新しい2段階軌道予測フレームワークDiffRefinerを提案する。 最初のステージでは、トランスフォーマーベースの提案デコーダを使用して、粗い軌道予測を生成する。 第2段階では拡散精錬器が適用され、これらの初期予測を反復的に復調する。
• 参考スコア（独自算出の注目度）: 28.22372133560876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unlike discriminative approaches in autonomous driving that predict a fixed set of candidate trajectories of the ego vehicle, generative methods, such as diffusion models, learn the underlying distribution of future motion, enabling more flexible trajectory prediction. However, since these methods typically rely on denoising human-crafted trajectory anchors or random noise, there remains significant room for improvement. In this paper, we propose DiffRefiner, a novel two-stage trajectory prediction framework. The first stage uses a transformer-based Proposal Decoder to generate coarse trajectory predictions by regressing from sensor inputs using predefined trajectory anchors. The second stage applies a Diffusion Refiner that iteratively denoises and refines these initial predictions. In this way, we enhance the performance of diffusion-based planning by incorporating a discriminative trajectory proposal module, which provides strong guidance for the generative refinement process. Furthermore, we design a fine-grained denoising decoder to enhance scene compliance, enabling more accurate trajectory prediction through enhanced alignment with the surrounding environment. Experimental results demonstrate that DiffRefiner achieves state-of-the-art performance, attaining 87.4 EPDMS on NAVSIM v2, and 87.1 DS along with 71.4 SR on Bench2Drive, thereby setting new records on both public benchmarks. The effectiveness of each component is validated via ablation studies as well.
• Abstract（参考訳）: エゴ車両の候補軌道の固定セットを予測する自律走行における差別的アプローチとは異なり、拡散モデルのような生成法は将来の運動の基本的な分布を学習し、より柔軟な軌道予測を可能にする。 しかしながら、これらの手法は典型的には、人造軌道アンカーやランダムノイズのデノベートに依存しているため、改善の余地は大きい。 本稿では,新しい2段階軌道予測フレームワークであるDiffRefinerを提案する。 第1段階では、トランスフォーマーベースの提案デコーダを使用して、事前に定義された軌跡アンカーを用いてセンサ入力から回帰することで、粗い軌跡予測を生成する。 第2段階では拡散精錬器が適用され、これらの初期予測を反復的に復調する。 このようにして,識別的軌道提案モジュールを組み込むことにより,拡散計画の性能を向上させる。 さらに, 周囲環境との整合性を高め, より正確な軌道予測が可能となるように, 微粒化復調デコーダを設計する。 実験の結果、DiffRefinerはNAVSIM v2で87.4 EPDMS、Bench2Driveで87.1 DS、Bench2Driveで71.4 SRを達成した。 それぞれの成分の有効性はアブレーション研究によって検証される。

関連論文リスト

• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Diffusion^2: Dual Diffusion Model with Uncertainty-Aware Adaptive Noise for Momentary Trajectory Prediction [18.85021503551474]
  初期の研究では、将来の軌道を予測するのに十分な観測データを主に利用していた。 盲点から歩行者のような現実世界のシナリオでは、十分な観測データは利用できないことが多い。 本稿では,時間軌道予測に適したDiffusion2という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-05T21:19:33Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Intention-Aware Diffusion Model for Pedestrian Trajectory Prediction [15.151965172049271]
  本稿では,短期と長期の両方の動作意図を組み込んだ拡散型歩行者軌道予測フレームワークを提案する。 提案するフレームワークはETH, UCY, SDDのベンチマークで評価され, 最先端手法に対する競合性を実証した。
  論文  参考訳（メタデータ） (2025-08-10T02:36:33Z)
• Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
  拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。 最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。 提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
  論文  参考訳（メタデータ） (2024-08-01T17:59:59Z)
• GDTS: Goal-Guided Diffusion Model with Tree Sampling for Multi-Modal Pedestrian Trajectory Prediction [15.731398013255179]
  マルチモーダル軌道予測のための木サンプリングを用いたゴールガイド拡散モデルを提案する。 2段階のツリーサンプリングアルゴリズムが提案され、一般的な特徴を活用して推論時間を短縮し、マルチモーダル予測の精度を向上させる。 実験により,提案フレームワークは,公開データセットにおけるリアルタイム推論速度と同等の最先端性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2023-11-25T03:55:06Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• BiTraP: Bi-directional Pedestrian Trajectory Prediction with Multi-modal Goal Estimation [28.10445924083422]
  BiTraPはCVAEに基づく目標条件付き双方向マルチモーダル軌道予測手法である。 BiTraPは、FPV(First-person view)とBEV(Bird's-eye view)の両方のシナリオに一般化し、最先端の結果を10～50%上回る。
  論文  参考訳（メタデータ） (2020-07-29T02:40:17Z)

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。