論文の概要: AlignDrive: Aligned Lateral-Longitudinal Planning for End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2601.01762v1
• Date: Mon, 05 Jan 2026 03:41:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.752204
• Title: AlignDrive: Aligned Lateral-Longitudinal Planning for End-to-End Autonomous Driving
• Title（参考訳）: AlignDrive: エンドツーエンド自動運転のための横方向縦方向計画
• Authors: Yanhao Wu, Haoyang Zhang, Fei He, Rui Wu, Congpei Qiu, Liang Gao, Wei Ke, Tong Zhang,
• Abstract要約: 計画段階では、最先端の自律走行モデルは計画を平行横方向と縦方向の予測に分離する。 本稿では,ドライブパスに対して縦方向の計画を明示的に規定する新しいケースケードフレームワークを提案する。 本手法では, 運転スコア89.07, 成功率73.18%のSOTAを新たに設定し, コーディネーションと安全性を著しく向上した。
• 参考スコア（独自算出の注目度）: 23.843979782864427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end autonomous driving has rapidly progressed, enabling joint perception and planning in complex environments. In the planning stage, state-of-the-art (SOTA) end-to-end autonomous driving models decouple planning into parallel lateral and longitudinal predictions. While effective, this parallel design can lead to i) coordination failures between the planned path and speed, and ii) underutilization of the drive path as a prior for longitudinal planning, thus redundantly encoding static information. To address this, we propose a novel cascaded framework that explicitly conditions longitudinal planning on the drive path, enabling coordinated and collision-aware lateral and longitudinal planning. Specifically, we introduce a path-conditioned formulation that explicitly incorporates the drive path into longitudinal planning. Building on this, the model predicts longitudinal displacements along the drive path rather than full 2D trajectory waypoints. This design simplifies longitudinal reasoning and more tightly couples it with lateral planning. Additionally, we introduce a planning-oriented data augmentation strategy that simulates rare safety-critical events, such as vehicle cut-ins, by adding agents and relabeling longitudinal targets to avoid collision. Evaluated on the challenging Bench2Drive benchmark, our method sets a new SOTA, achieving a driving score of 89.07 and a success rate of 73.18%, demonstrating significantly improved coordination and safety
• Abstract（参考訳）: エンドツーエンドの自動運転は急速に進歩し、複雑な環境での共同認識と計画を可能にしている。 計画段階では、最先端の自動運転モデル(SOTA)は計画を平行横方向と縦方向の予測に分離する。 効果的ではあるが、この並列設計はそれに繋がる可能性がある 一 計画された経路及び速度の故障の調整及び 二 運転経路を縦計画の先駆けとして活用することにより、静的情報を冗長に符号化すること。 そこで本研究では,ドライブパスに縦方向の計画を明示的に規定し,横方向と縦方向の計画の協調と衝突を許容する新しい枠組みを提案する。 具体的には、駆動経路を縦計画に明示的に組み込んだ経路条件定式化を導入する。 このモデルでは、完全な2次元軌跡ではなく、駆動経路に沿って縦方向の変位を予測する。 この設計は、縦方向の推論を単純化し、横方向の計画とより緊密に結合する。 さらに,衝突を避けるためにエージェントの追加や縦方向の目標の緩和により,車両の切り込みなどの稀な安全上重要な事象をシミュレートする計画指向データ拡張戦略を導入する。 課題であるBench2Driveベンチマークに基づいて新しいSOTAを設定し,運転スコア89.07,成功率73.18%を達成し,コーディネーションと安全性を著しく向上した。

関連論文リスト

• 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)
• 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)
• Perception Helps Planning: Facilitating Multi-Stage Lane-Level Integration via Double-Edge Structures [13.648498083189931]
  Perception Helps Planning (PHP) はレーンレベルのプランニングを知覚で調整する。 3つのCarlaベンチマークの実験では、既存のアルゴリズムよりも27.20%、33.47%、および15.54%のドライブスコアが大幅に改善された。
  論文  参考訳（メタデータ） (2024-07-16T12:12:06Z)
• SparseDrive: End-to-End Autonomous Driving via Sparse Scene Representation [11.011219709863875]
  我々はSparseDriveという新しいエンドツーエンドの自動運転パラダイムを提案する。 SparseDriveは対称なスパース認識モジュールとパラレルモーションプランナーで構成されている。 動作予測と計画について,これら2つの課題の相似性を概観し,運動プランナの並列設計に繋がる。
  論文  参考訳（メタデータ） (2024-05-30T02:13:56Z)
• An Online Spatial-Temporal Graph Trajectory Planner for Autonomous Vehicles [6.907105812732423]
  本稿では,安全で快適なトラジェクトリを生成するために,新しいオンライン時空間グラフトラジェクトリプランナを提案する。 プランナーをサポートするために、プランナーの運動的制約を決定する単純な振舞い層も提示される。 その結果,提案したプランナは,前方方向と同等の快適な乗り心地を実現しつつ,安全かつ実現可能な軌道を生成できることが示唆された。
  論文  参考訳（メタデータ） (2024-04-18T15:22:29Z)
• Pioneering SE(2)-Equivariant Trajectory Planning for Automated Driving [45.18582668677648]
  制御されたエゴ車両の軌道を計画することは、自動走行において重要な課題である。 本稿では,全車両に対して多モード共同予測を生成する軽量同変計画モデルを提案する。 また,車載GPSナビゲーションシステムによって提供される高水準経路に沿って,エゴ車両を誘導する等変経路アトラクションを提案する。
  論文  参考訳（メタデータ） (2024-03-17T18:53:46Z)
• Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset and Consensus-Based Models [76.32775745488073]
  本研究では,非構造環境における動作計画の研究を目的とした,新しいデータセットとモデリングフレームワークを提案する。 コンセンサスに基づくモデリング手法により、データセットで観測された優先順位の出現を効果的に説明できることを実証する。
  論文  参考訳（メタデータ） (2022-09-19T05:06:57Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• 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)

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。