論文の概要: SUPER-AD: Semantic Uncertainty-aware Planning for End-to-End Robust Autonomous Driving

• arxiv url: http://arxiv.org/abs/2511.22865v1
• Date: Fri, 28 Nov 2025 03:50:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.761415
• Title: SUPER-AD: Semantic Uncertainty-aware Planning for End-to-End Robust Autonomous Driving
• Title（参考訳）: SUPER-AD: エンドツーエンドロバスト自動運転のための意味的不確実性を考慮した計画
• Authors: Wonjeong Ryu, Seungjun Yu, Seokha Moon, Hojun Choi, Junsung Park, Jinkyu Kim, Hyunjung Shim,
• Abstract要約: 本稿では,BEV空間におけるアレータリック不確実性を直接推定し,それを計画に組み込む,カメラのみのE2Eフレームワークを提案する。 本手法は,画素レベルの解像度で意味構造と幾何学的レイアウトの両方をキャプチャする,密度の高い不確実性を考慮したドライバビリティマップを生成する。
• 参考スコア（独自算出の注目度）: 36.91878828972102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: End-to-End (E2E) planning has become a powerful paradigm for autonomous driving, yet current systems remain fundamentally uncertainty-blind. They assume perception outputs are fully reliable, even in ambiguous or poorly observed scenes, leaving the planner without an explicit measure of uncertainty. To address this limitation, we propose a camera-only E2E framework that estimates aleatoric uncertainty directly in BEV space and incorporates it into planning. Our method produces a dense, uncertainty-aware drivability map that captures both semantic structure and geometric layout at pixel-level resolution. To further promote safe and rule-compliant behavior, we introduce a lane-following regularization that encodes lane structure and traffic norms. This prior stabilizes trajectory planning under normal conditions while preserving the flexibility needed for maneuvers such as overtaking or lane changes. Together, these components enable robust and interpretable trajectory planning, even under challenging uncertainty conditions. Evaluated on the NAVSIM benchmark, our method achieves state-of-the-art performance, delivering substantial gains on both the challenging NAVHARD and NAVSAFE subsets. These results demonstrate that our principled aleatoric uncertainty modeling combined with driving priors significantly advances the safety and reliability of camera-only E2E autonomous driving.
• Abstract（参考訳）: E2E(End-to-End)計画は自動運転の強力なパラダイムとなっているが、現在のシステムは基本的に不確実な状態のままである。 彼らは、不明瞭な場面や観察の不十分な場面でも、知覚出力が完全に信頼できると仮定し、プランナーに明確な不確実性の尺度を残さない。 この制限に対処するため,BEV空間におけるアレタリック不確実性を直接推定し,それを計画に組み込む,カメラのみのE2Eフレームワークを提案する。 本手法は,画素レベルの解像度で意味構造と幾何学的レイアウトの両方をキャプチャする,密度の高い不確実性を考慮したドライバビリティマップを生成する。 安全かつ規則に準拠した動作をさらに促進するため,車線構造と交通規範を符号化する車線追従正規化を導入する。 この事前は、通常の条件下での軌道計画を安定化させ、オーバーテイクや車線変更などの操作に必要な柔軟性を維持する。 これらのコンポーネントは、困難な不確実性条件の下でも、堅牢で解釈可能な軌道計画を可能にする。 NAVSIMベンチマークで評価したところ,本手法は最先端の性能を実現し,NAVHARDとNAVSAFEの両サブセットにおいて大きな効果が得られた。 これらの結果から,運転前処理と相まって,カメラのみのE2E自動運転の安全性と信頼性が著しく向上することが示唆された。

関連論文リスト

• Assistive Decision-Making for Right of Way Navigation at Uncontrolled Intersections [0.17205106391379021]
  無制御の交差点は、不明瞭な道路のルールのために、かなりの数の道路事故の原因となっている。 本稿では,部分観測可能なマルコフ決定プロセスとして定式化された,制御不能な交差点における右道推論のためのドライバ・アシスト・フレームワークを提案する。 確率プランナーはルールベースのベースラインよりも優れており、部分観測可能条件下では最大97.5%の衝突のないナビゲーションを実現している。
  論文  参考訳（メタデータ） (2025-09-22T20:46:23Z)
• 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)
• 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)
• DriveSuprim: Towards Precise Trajectory Selection for End-to-End Planning [43.284391163049236]
  DriveSuprimは、自動運転車の軌道選択のための選択に基づくパラダイムである。 衝突回避や規則の遵守など、最先端のパフォーマンスを実現する。 様々な運転シナリオにおいて高い軌道品質を維持する。
  論文  参考訳（メタデータ） (2025-06-07T04:39:06Z)
• 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)
• SafeCast: Risk-Responsive Motion Forecasting for Autonomous Vehicles [12.607007386467329]
  リスク応答型モーション予測モデルであるSafeCastを提案する。 安全を意識した意思決定と不確実性を意識した適応性を統合する。 我々のモデルは、軽量なアーキテクチャと低推論レイテンシを維持しながら、最先端(SOTA)の精度を実現する。
  論文  参考訳（メタデータ） (2025-03-28T15:38:21Z)
• Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
  本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。 我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
  論文  参考訳（メタデータ） (2022-03-04T16:14:33Z)
• 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)
• Online Mapping and Motion Planning under Uncertainty for Safe Navigation in Unknown Environments [3.2296078260106174]
  本論文は,確率論的安全保証者によるオンラインで実現可能な動作のマッピングと計画のための不確実性に基づくフレームワークを提案する。 提案手法は, 環境の不確実性を意識した環境表現を構築するために周囲をマッピングし, (i) 信念空間の多層サンプリングベースプランナーを通して, キノダイナミックに実現可能で確率論的に安全な目標に反復的に(re)計画を行うことにより, 動き, 確率論的安全性, オンライン計算制約を取り扱う。
  論文  参考訳（メタデータ） (2020-04-26T08:53:37Z)

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。