論文の概要: Learning the Pareto Space of Multi-Objective Autonomous Driving: A Modular, Data-Driven Approach

• arxiv url: http://arxiv.org/abs/2601.18913v1
• Date: Mon, 26 Jan 2026 19:23:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 05:44:22.308127
• Title: Learning the Pareto Space of Multi-Objective Autonomous Driving: A Modular, Data-Driven Approach
• Title（参考訳）: 多目的自律運転におけるパレット空間の学習 - モジュール型データ駆動アプローチ
• Authors: Mohammad Elayan, Wissam Kontar,
• Abstract要約: 本研究では,自然主義的軌道データから直接トレードオフを導出する経験的学習フレームワークを提案する。 統一された客観空間は、安全、効率、相互作用の複合スコアを通して各AVタイムステップを表す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Balancing safety, efficiency, and interaction is fundamental to designing autonomous driving agents and to understanding autonomous vehicle (AV) behavior in real-world operation. This study introduces an empirical learning framework that derives these trade-offs directly from naturalistic trajectory data. A unified objective space represents each AV timestep through composite scores of safety, efficiency, and interaction. Pareto dominance is applied to identify non-dominated states, forming an empirical frontier that defines the attainable region of balanced performance. The proposed framework was demonstrated using the Third Generation Simulation (TGSIM) datasets from Foggy Bottom and I-395. Results showed that only 0.23\% of AV driving instances were Pareto-optimal, underscoring the rarity of simultaneous optimization across objectives. Pareto-optimal states showed notably higher mean scores for safety, efficiency, and interaction compared to non-optimal cases, with interaction showing the greatest potential for improvement. This minimally invasive and modular framework, which requires only kinematic and positional data, can be directly applied beyond the scope of this study to derive and visualize multi-objective learning surfaces
• Abstract（参考訳）: 安全性、効率、相互作用のバランスをとることは、自律運転エージェントを設計し、現実の運転における自律走行車(AV)の振る舞いを理解するのに不可欠である。 本研究では、これらのトレードオフを直接自然主義的軌道データから導出する経験的学習フレームワークを紹介する。 統一された客観空間は、安全、効率、相互作用の複合スコアを通して各AVタイムステップを表す。 パレート支配は非支配状態を特定するために適用され、平衡性能の達成可能な領域を定義する経験的フロンティアを形成する。 提案手法は,Fogy BottomとI-395の第三世代シミュレーション(TGSIM)データセットを用いて実証された。 その結果、AV駆動インスタンスの0.23\%がPareto-Optimalであり、目的物間での同時最適化の希薄さを裏付けていることがわかった。 パレト最適状態は、非最適ケースと比較して安全性、効率、相互作用の平均スコアが顕著に高く、相互作用は改善の最大の可能性を示した。 この最小侵襲かつモジュラーなフレームワークは、運動データと位置データのみを必要とするが、本研究の範囲を超えて直接適用することで、多目的学習面の導出と可視化を行うことができる。

関連論文リスト

• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• Bayesian Multiobject Tracking With Neural-Enhanced Motion and Measurement Models [4.7752948351582605]
  マルチオブジェクトトラッキング(MOT)は、自律走行、海洋科学、航空宇宙監視などのアプリケーションにおいて重要なタスクである。 従来のMOT法はモデルベースであり、連続ベイズ推定とデータアソシエーションとオブジェクト生成モデルを組み合わせたものである。 最近の手法は完全なデータ駆動であり、ニューラルネットワークのトレーニングに依存している。
  論文  参考訳（メタデータ） (2025-06-22T18:15:08Z)
• LEGO-Motion: Learning-Enhanced Grids with Occupancy Instance Modeling for Class-Agnostic Motion Prediction [12.071846486955627]
  本稿ではLEGO-Motionという,クラスに依存しない動作予測タスクのための新しい占有状況モデリングフレームワークを提案する。 本モデルは,(1)BEVエンコーダ,(2)Interaction-Augmented Instance,(3)インスタンス強化型BEVからなる。 提案手法は最先端の性能を達成し,既存手法より優れている。
  論文  参考訳（メタデータ） (2025-03-10T14:26:21Z)
• Predictive Planner for Autonomous Driving with Consistency Models [5.966385886363771]
  軌道予測と計画は、自動運転車が動的環境下で安全かつ効率的に走行するために不可欠である。 近年の拡散型生成モデルはマルチエージェント軌道生成において有望であるが,その遅いサンプリングは高周波計画タスクには適さない。 我々は,エゴ車両の航法目標に基づいて,エゴと周辺エージェントの共同分布からサンプルを採取する予測プランナを構築するために,一貫性モデルを活用する。
  論文  参考訳（メタデータ） (2025-02-12T00:26:01Z)
• Can foundation models actively gather information in interactive environments to test hypotheses? [43.42688356541211]
  基礎モデルはシングルターン推論において優れているが、動的環境におけるマルチターン探索に苦慮している。 これらのモデルを,経験から学び,適応し,情報を収集する能力に基づいて評価した。
  論文  参考訳（メタデータ） (2024-12-09T12:27:21Z)
• 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)
• Ret3D: Rethinking Object Relations for Efficient 3D Object Detection in Driving Scenes [82.4186966781934]
  Ret3Dと呼ばれるシンプルで効率的で効果的な2段階検出器を導入する。 Ret3Dの中核は、新しいフレーム内およびフレーム間関係モジュールの利用である。 無視できる余分なオーバーヘッドにより、Ret3Dは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-08-18T03:48:58Z)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)
• Asynchronous Interaction Aggregation for Action Detection [43.34864954534389]
  本稿では,異なるインタラクションを活用して動作検出を促進する非同期インタラクション集約ネットワーク(AIA)を提案する。 ひとつはインタラクション集約構造(IA)で、複数のタイプのインタラクションをモデル化し統合するための一様パラダイムを採用し、もうひとつはパフォーマンス向上を実現するための非同期メモリ更新アルゴリズム(AMU)です。
  論文  参考訳（メタデータ） (2020-04-16T07:03:20Z)

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。