論文の概要: ReflexDiffusion: Reflection-Enhanced Trajectory Planning for High-lateral-acceleration Scenarios in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2601.09377v1
• Date: Wed, 14 Jan 2026 11:03:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.779002
• Title: ReflexDiffusion: Reflection-Enhanced Trajectory Planning for High-lateral-acceleration Scenarios in Autonomous Driving
• Title（参考訳）: 反射拡散:自律運転における高次加速度シナリオに対する反射強調軌道計画
• Authors: Xuemei Yao, Xiao Yang, Jianbin Sun, Liuwei Xie, Xuebin Shao, Xiyu Fang, Hang Su, Kewei Yang,
• Abstract要約: ReflexDiffusionは、反射調整により拡散に基づく軌道プランナーを強化する推論段階のフレームワークである。 最先端(SOTA)法よりも14.1%向上した。
• 参考スコア（独自算出の注目度）: 14.885968822668824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating safe and reliable trajectories for autonomous vehicles in long-tail scenarios remains a significant challenge, particularly for high-lateral-acceleration maneuvers such as sharp turns, which represent critical safety situations. Existing trajectory planners exhibit systematic failures in these scenarios due to data imbalance. This results in insufficient modelling of vehicle dynamics, road geometry, and environmental constraints in high-risk situations, leading to suboptimal or unsafe trajectory prediction when vehicles operate near their physical limits. In this paper, we introduce ReflexDiffusion, a novel inference-stage framework that enhances diffusion-based trajectory planners through reflective adjustment. Our method introduces a gradient-based adjustment mechanism during the iterative denoising process: after each standard trajectory update, we compute the gradient between the conditional and unconditional noise predictions to explicitly amplify critical conditioning signals, including road curvature and lateral vehicle dynamics. This amplification enforces strict adherence to physical constraints, particularly improving stability during high-lateral-acceleration maneuvers where precise vehicle-road interaction is paramount. Evaluated on the nuPlan Test14-hard benchmark, ReflexDiffusion achieves a 14.1% improvement in driving score for high-lateral-acceleration scenarios over the state-of-the-art (SOTA) methods. This demonstrates that inference-time trajectory optimization can effectively compensate for training data sparsity by dynamically reinforcing safety-critical constraints near handling limits. The framework's architecture-agnostic design enables direct deployment to existing diffusion-based planners, offering a practical solution for improving autonomous vehicle safety in challenging driving conditions.
• Abstract（参考訳）: 自動運転車の安全かつ信頼性の高い軌道をロングテールのシナリオで生成することは、特に重要な安全状況を表すシャープターンのような高度の加速操作において重要な課題である。 既存の軌道プランナは、データ不均衡のため、これらのシナリオで体系的な障害を示す。 これにより、高リスク状況下での車両力学、道路形状、環境制約のモデリングが不十分になり、車両が物理的な限界付近で走行する際の最適または安全でない軌道予測が導かれる。 本稿では,拡散に基づく軌道プランナを反射調整により拡張する新しい推論段階のフレームワークであるReflexDiffusionを紹介する。 本手法では,各標準軌跡更新の後,条件付き騒音予測と非条件付き騒音予測の勾配を算出し,道路曲率や側方車両力学などの臨界条件信号を明確に増幅する。 この増幅は、物理的制約への厳密な固執を強制し、特に正確な車両と道路の相互作用が最重要となる高度の加速操作時の安定性を向上させる。 nuPlan Test14-hardベンチマークで評価されたReflexDiffusionは、最先端(SOTA)メソッドに対する高次アクセラレーションシナリオの駆動スコアが14.1%向上した。 このことは、推論時間トラジェクトリ最適化が、ハンドリング限界に近い安全クリティカルな制約を動的に強化することにより、データ空間のトレーニングに効果的に補償できることを示している。 このフレームワークのアーキテクチャに依存しない設計は、既存の拡散ベースのプランナーへの直接デプロイを可能にし、挑戦的な運転条件において自動運転車の安全性を改善するための実用的なソリューションを提供する。

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)
• 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)
• Boundary-Guided Trajectory Prediction for Road Aware and Physically Feasible Autonomous Driving [11.436186697804835]
  本稿では,軌道予測を許容駆動方向とその境界によって導かれる制約付き回帰として定式化する新しい枠組みを提案する。 我々は,HPTRベースラインに対するArgoverse-2データセットに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2025-05-10T19:21:00Z)
• A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
  軌道予測は、自動運転車における計画の安全性と効率に不可欠である。 現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。 本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
  論文  参考訳（メタデータ） (2024-11-29T14:47:08Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• Integrating Higher-Order Dynamics and Roadway-Compliance into Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
  軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。 既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。 このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
  論文  参考訳（メタデータ） (2023-09-25T22:30:18Z)

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。