論文の概要: Sequence of Expert: Boosting Imitation Planners for Autonomous Driving through Temporal Alternation

• arxiv url: http://arxiv.org/abs/2512.13094v1
• Date: Mon, 15 Dec 2025 08:50:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.587587
• Title: Sequence of Expert: Boosting Imitation Planners for Autonomous Driving through Temporal Alternation
• Title（参考訳）: 専門家のシーケンス:時間的交替による自動運転の模倣プランナの育成
• Authors: Xiang Li, Gang Liu, Weitao Zhou, Hongyi Zhu, Zhong Cao,
• Abstract要約: イミテーション・ラーニング (IL) は自動運転における中心的なパラダイムとして浮上している。 ILは、ステップごとの予測エラーを最小限にすることで、オープンループ設定で専門家の振る舞いにマッチする。 連続した計画サイクルでは、小さな、しばしば受け入れがたいエラーが複雑になり、深刻な失敗をもたらす可能性がある。 本稿では,モデルサイズやデータ要求を増大させることなくクローズドループ性能を向上させるために,エキスパートシーケンス(SoE)を提案する。
• 参考スコア（独自算出の注目度）: 12.450883696383878
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imitation learning (IL) has emerged as a central paradigm in autonomous driving. While IL excels in matching expert behavior in open-loop settings by minimizing per-step prediction errors, its performance degrades unexpectedly in closed-loop due to the gradual accumulation of small, often imperceptible errors over time.Over successive planning cycles, these errors compound, potentially resulting in severe failures.Current research efforts predominantly rely on increasingly sophisticated network architectures or high-fidelity training datasets to enhance the robustness of IL planners against error accumulation, focusing on the state-level robustness at a single time point. However, autonomous driving is inherently a continuous-time process, and leveraging the temporal scale to enhance robustness may provide a new perspective for addressing this issue.To this end, we propose a method termed Sequence of Experts (SoE), a temporal alternation policy that enhances closed-loop performance without increasing model size or data requirements. Our experiments on large-scale autonomous driving benchmarks nuPlan demonstrate that SoE method consistently and significantly improves the performance of all the evaluated models, and achieves state-of-the-art performance.This module may provide a key and widely applicable support for improving the training efficiency of autonomous driving models.
• Abstract（参考訳）: イミテーション・ラーニング (IL) は自動運転における中心的なパラダイムとして浮上している。 ILは、ステップごとの予測誤差を最小化することで、専門家の振る舞いを最適化する一方で、連続計画サイクルにおいて、これらのエラーは複雑になり、深刻な失敗を招きかねないため、クローズドループにおいて予期せぬ性能低下を招き、近年の研究は、ILプランナーのエラー蓄積に対する堅牢性を高めるために、より高度なネットワークアーキテクチャや高忠実度トレーニングデータセットに大きく依存している。 しかし、自律運転は本質的には連続時間プロセスであり、その時間スケールを活用して頑健性を高めることでこの問題に対処する新たな視点が得られ、この目的のために、モデルサイズやデータ要求を増大させることなく閉ループ性能を向上させるための時間的変更ポリシーである「専門家のシーケンス(SoE)」と呼ばれる手法を提案する。 大規模な自律運転ベンチマーク nuPlan 実験により,SoE 法は評価された全てのモデルの性能を一貫して,かつ著しく改善し,最先端の性能を実現することが実証された。

関連論文リスト

• Mimir: Hierarchical Goal-Driven Diffusion with Uncertainty Propagation for End-to-End Autonomous Driving [17.533465904228844]
  そこで我々は,不確実性推定を伴うゴールポイントに依存するロバストな軌跡を生成可能な,新しい階層型デュアルシステムフレームワークであるMimirを提案する。 Mimirは従来の最先端の手法を20%改善し、ハイレベルなモジュール推論速度の1.6倍の改善を実現している。
  論文  参考訳（メタデータ） (2025-12-08T03:31:25Z)
• Learning Depth from Past Selves: Self-Evolution Contrast for Robust Depth Estimation [42.74561859065153]
  SEC-Depthは自己監督型頑健な深度推定タスクのための自己進化型コントラスト学習フレームワークである。 本手法は多様なベースラインモデルにシームレスに統合し,ゼロショット評価におけるロバスト性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-11-19T06:42:40Z)
• DAP: A Discrete-token Autoregressive Planner for Autonomous Driving [34.32497598431514]
  本稿では,BEVのセマンティクスとエゴの軌跡を共同で予測する離散的な自己回帰プランナであるDAPを紹介する。 我々は、報酬誘導改善を注入しながら、教師付き行動クローンを保存できる強化学習に基づく微調整を取り入れた。 DAPは、オープンループメトリクスの最先端のパフォーマンスを達成し、NAVSIMベンチマークで競合するクローズループ結果を提供する。
  論文  参考訳（メタデータ） (2025-11-17T12:31:33Z)
• 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)
• Lightweight Temporal Transformer Decomposition for Federated Autonomous Driving [11.79541267274746]
  本稿では,大規模な注意図を小さな行列に分割することで,時系列画像フレームと時間的ステアリングデータを処理する手法を提案する。 このアプローチはモデルの複雑さを減らし、収束とリアルタイム予測の効率的な重み更新を可能にする。 3つのデータセットの実験により,本手法はリアルタイム性能を達成しつつ,明らかなマージンで近年の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-30T05:14:16Z)
• 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)
• Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
  我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。 本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
  論文  参考訳（メタデータ） (2025-03-14T17:59:41Z)
• 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)
• Transient Fault Tolerant Semantic Segmentation for Autonomous Driving [44.725591200232884]
  本稿では,過渡断層に対するレジリエンスを高めるために設計されたシンプルなアクティベーション関数ReLUMaxを紹介する。 実験により,ReLUMaxはロバスト性を効果的に向上し,性能を保ち,予測信頼性を向上することを示した。
  論文  参考訳（メタデータ） (2024-08-30T00:27:46Z)
• 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)
• Self-Supervised Multi-Object Tracking For Autonomous Driving From Consistency Across Timescales [53.55369862746357]
  自己管理型マルチオブジェクトトラッカーは、生のドメイン固有データから学習できるという大きな可能性を秘めている。 しかし、その再識別精度は、監督対象よりも低い。 本稿では,複数の連続フレームから再同定特徴を自己教師付きで学習できる学習目標を提案する。
  論文  参考訳（メタデータ） (2023-04-25T20:47:29Z)

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。