論文の概要: A Unified Candidate Set with Scene-Adaptive Refinement via Diffusion for End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2602.03112v2
• Date: Wed, 04 Feb 2026 04:42:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.118463
• Title: A Unified Candidate Set with Scene-Adaptive Refinement via Diffusion for End-to-End Autonomous Driving
• Title（参考訳）: 終端自律運転のための拡散によるシーン適応型リファインメント付き統一候補セット
• Abstract要約: 固定軌跡語彙は、定期運転において安定したカバレッジを提供するが、しばしば複雑な相互作用において最適解を見逃す。 そこで我々は,CdDriveを提案する。このCdDriveは,元の語彙候補を保存し,語彙条件付き拡散復調によって生成されたシーン適応型候補を付加する。 どちらの候補も共有選択モジュールによって共同でスコア付けされ、ルーチンと高度にインタラクティブなシナリオで信頼性の高いパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 11.096777574777406
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: End-to-end autonomous driving is increasingly adopting a multimodal planning paradigm that generates multiple trajectory candidates and selects the final plan, making candidate-set design critical. A fixed trajectory vocabulary provides stable coverage in routine driving but often misses optimal solutions in complex interactions, while scene-adaptive refinement can cause over-correction in simple scenarios by unnecessarily perturbing already strong vocabulary trajectories.We propose CdDrive, which preserves the original vocabulary candidates and augments them with scene-adaptive candidates generated by vocabulary-conditioned diffusion denoising. Both candidate types are jointly scored by a shared selection module, enabling reliable performance across routine and highly interactive scenarios. We further introduce HATNA (Horizon-Aware Trajectory Noise Adapter) to improve the smoothness and geometric continuity of diffusion candidates via temporal smoothing and horizon-aware noise modulation. Experiments on NAVSIM v1 and NAVSIM v2 demonstrate leading performance, and ablations verify the contribution of each component. Code: https://github.com/WWW-TJ/CdDrive.
• Abstract（参考訳）: エンドツーエンドの自動運転は、複数の軌道候補を生成し、最終計画を選択するマルチモーダル計画パラダイムをますます採用し、候補セット設計を重要視している。 固定軌跡語彙は、日常運転において安定したカバレッジを提供するが、複雑な相互作用において最適解を見逃すことが多いが、シーン適応的洗練は、既に強い語彙軌跡を摂動させることによって、単純なシナリオにおいて過度に補正を引き起こすことがある。 どちらの候補も共有選択モジュールによって共同でスコア付けされ、ルーチンと高度にインタラクティブなシナリオで信頼性の高いパフォーマンスを実現する。 さらに,HATNA(Horizon-Aware Trajectory Noise Adapter)を導入し,時間的平滑化と地平線対応ノイズ変調による拡散候補の滑らかさと幾何的連続性を改善する。 NAVSIM v1とNAVSIM v2の実験は、主要な性能を示し、各コンポーネントの寄与を検証する。 コード:https://github.com/WWW-TJ/CdDrive

関連論文リスト

• A Collaborative Multi-Modality Interaction for VLA-based End-to-End Autonomous Driving [96.81243316566764]
  VLA(Vision-Language-Action)モデルは、エンドツーエンドの自動運転の強力なパラダイムとして登場した。 マルチモーダリティインタラクションと多軌道計画と最適化を組み合わせた,堅牢なVLAベースのエンドツーエンド自動運転システムを提案する。
  論文  参考訳（メタデータ） (2026-08-21T09:06:16Z)
• CLEAR: Cognition and Latent Evaluation for Adaptive Routing in End-to-End Autonomous Driving [19.474428775260034]
  超高速な生成計画と深い意味的推論を組み合わせたフレームワークであるCLEARを提案する。 CLEARはDrive-JEPAをビジュアルエンコーダとして採用し、VAEラテント空間におけるマルチステップデノイングチェーンを単一ステップ条件ドリフトに置き換える。 NAVSIM v1ベンチマークでは、CLEARは93.7の最先端のPDMSを達成した。
  論文  参考訳（メタデータ） (2026-06-04T14:32:10Z)
• CLAP: Contrastive Latent-space Prompt Optimization for End-to-end Autonomous Driving [12.890001628695215]
  CLAPは,ロードブロックごとのソフトプロンプトで凍結したVLA駆動モデルを拡張した位置認識適応フレームワークである。 様々な最先端のVLAバックボーンを持つNAVSIMベンチマークでは、CLAPは通常のフレームに回帰することなく、困難なシナリオ計画エラーを24%削減する。
  論文  参考訳（メタデータ） (2026-05-17T06:45:53Z)
• OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models [69.2503510410147]
  予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。 トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。 エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T07:50:00Z)
• HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
  我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。 我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-04T04:12:47Z)
• SparseDriveV2: Scoring is All You Need for End-to-End Autonomous Driving [12.665877773318265]
  SparseDriveV2を開発した。 SparseDriveV2 は NAVSIM 上で 92.0 PDMS と 90.1 PDMS を達成する。
  論文  参考訳（メタデータ） (2026-03-31T02:20:40Z)
• DiffusionDriveV2: Reinforcement Learning-Constrained Truncated Diffusion Modeling in End-to-End Autonomous Driving [65.7087560656003]
  エンドツーエンドの自動運転のための生成拡散モデルは、しばしばモード崩壊に悩まされる。 強化学習を利用して低品質モードを制約し,優れた軌道探索を行うDiffusionDriveV2を提案する。 これにより、そのコアであるガウス混合モデル固有の多重モード性を維持しながら、全体的な出力品質が大幅に向上する。
  論文  参考訳（メタデータ） (2025-12-08T17:29:52Z)
• Multimodal Large Language Models with Adaptive Preference Optimization for Sequential Recommendation [60.33386541343322]
  本稿では,Hardness-Aware とNoNoRec (HaNoRec) を併用したマルチモーダル大規模言語モデルフレームワークを提案する。 具体的には、HaNoRecは、各トレーニングサンプルの予測硬度とポリシーモデルのリアルタイム応答性の両方に基づいて、最適化重量を動的に調整する。
  論文  参考訳（メタデータ） (2025-11-24T04:10:46Z)
• AnchDrive: Bootstrapping Diffusion Policies with Hybrid Trajectory Anchors for End-to-End Driving [19.724857120152944]
  AnchDriveはエンドツーエンドの駆動のためのフレームワークである。 従来の生成モデルの高い計算コストを軽減するために、拡散ポリシーをブートストラップする。 NAVSIMベンチマークの実験では、AnchDriveが新たな最先端を設定していることが確認された。
  論文  参考訳（メタデータ） (2025-09-24T15:38:41Z)
• 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)

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。