論文の概要: Safe and Stylized Trajectory Planning for Autonomous Driving via Diffusion Model

• arxiv url: http://arxiv.org/abs/2602.04329v2
• Date: Thu, 12 Mar 2026 10:36:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.163638
• Title: Safe and Stylized Trajectory Planning for Autonomous Driving via Diffusion Model
• Title（参考訳）: 拡散モデルによる自律走行の安全・安定軌道計画
• Abstract要約: 本稿では,運転スタイルと安全制約をリアルタイムに調整する拡散型フレームワークであるSDD Plannerを提案する。 このフレームワークは、Multi-Source Style-Aware PlannerとStyle-Guided Dynamic Trajectory Generatorという2つのコアモジュールを統合している。 実験では、SDD Plannerが最先端のパフォーマンスを達成することを示した。
• 参考スコア（独自算出の注目度）: 11.529730067476157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Achieving safe and stylized trajectory planning in complex real-world scenarios remains a critical challenge for autonomous driving systems. This paper proposes the SDD Planner, a diffusion-based framework designed to effectively reconcile safety constraints with driving styles in real time. The framework integrates two core modules: a Multi-Source Style-Aware Encoder, which employs distance-sensitive attention to fuse dynamic agent data and environmental contexts for heterogeneous safety-style perception; and a Style-Guided Dynamic Trajectory Generator, which adaptively modulates priority weights within the diffusion denoising process to generate user-preferred yet safe trajectories. Extensive experiments demonstrate that SDD Planner achieves state-of-the-art performance. On the StyleDrive benchmark, it improves the SM-PDMS metric by 3.9% over WoTE, the strongest baseline. Furthermore, on the NuPlan Test14 and Test14-hard benchmarks, SDD Planner ranks first with overall scores of 91.76 and 80.32, respectively, outperforming leading methods such as PLUTO. Real-vehicle closed-loop tests further confirm that SDD Planner maintains high safety standards while aligning with preset driving styles, validating its practical applicability for real-world deployment.
• Abstract（参考訳）: 複雑な現実のシナリオにおける安全でスタイリングされた軌道計画を達成することは、自動運転システムにとって重要な課題である。 本稿では,運転スタイルと安全制約を効率的にリアルタイムに調整する拡散型フレームワークであるSDD Plannerを提案する。 このフレームワークは、2つのコアモジュールを統合している。Multi-Source Style-Aware Encoderは、不均一な安全スタイルの知覚のために、フューズダイナミックエージェントデータと環境コンテキストに注意を向ける、Multi-Source Style-Aware Encoderと、拡散復調プロセス内の優先度を適応的に調整して、ユーザ優先の安全トラジェクトリを生成するStyle-Guided Dynamic Trajectory Generatorである。 大規模な実験では、SDD Plannerが最先端のパフォーマンスを達成することが示されている。 StyleDriveベンチマークでは、最強のベースラインであるWoTEよりもSM-PDMSメトリックが3.9%向上している。 さらに、NuPlan Test14とTest14-hardベンチマークでは、SDD Plannerがそれぞれ91.76と80.32のスコアでランク付けし、PLUTOのような先進的な手法よりも優れている。 実車閉ループテストは、SDD Plannerが事前設定された運転スタイルと整合しながら高い安全基準を維持し、現実の展開に実用的に適用可能であることをさらに確認する。

関連論文リスト

• Learning-Based Dynamic Obstacle Avoidance for a UAV Using Only Three Range Sensors [1.2246649738388389]
  本研究では,未知の動環境下で一定高度で動作する無人航空機(UAV)のキノダイナミック・オンライン・モーション・プランニングに対する学習に基づくアプローチを提案する。 提案フレームワークは,行動グリッドマップの表現をDeep Reinforcement Learning (DRL)と統合し,継続的制御における安定した政策学習を実現する。 キーとなるアイデアは、低コストな3つの指向性レンジセンサーのみを使用して、信頼性の高いナビゲーションを可能にする状態表現と制御ポリシーの共設計である。
  論文  参考訳（メタデータ） (2026-09-13T10:53:43Z)
• Embodied-Navigator: Point, Think, Memorize, and Align for Efficient Navigation [68.02899606570223]
  本稿では,効率的なエンボディナビゲーションのための統合フレームワークであるTAMP-Navを提案する。 まず、ナビゲーションを2次元の視覚座標に再構成するPixel-to-3D Action Formulation(Point)を導入する。 次に,Selective Reasoning and Anchor-Trajectory Memory Mechanism (Think and Memorize)を提案する。
  論文  参考訳（メタデータ） (2026-08-18T08:37:08Z)
• Guiding Neuro-Symbolic Scenario Generation with Spatio-Temporal Logic [3.071933369858584]
  本稿では,安全クリティカルな運転シナリオをターゲットとするフレームワークSTRELGenを紹介する。 これらの仕様の満足度レベルを監視することは、グラデーションベースの検索を可能にする。 これによりSTRELGenは、ストレステスト自律運転システムのための柔軟で解釈可能で強力なツールを提供する。
  論文  参考訳（メタデータ） (2026-05-18T19:00:14Z)
• 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)
• WorldRFT: Latent World Model Planning with Reinforcement Fine-Tuning for Autonomous Driving [15.996936632437992]
  シーン表現学習を計画と整合させる計画指向の潜在世界モデルフレームワーク WorldRFT を提案する。 WorldRFTは、3次元空間認識を改善するために視覚幾何学の基礎モデルを統合し、階層的計画タスク分解を用いて表現最適化を誘導し、計画指向の駆動ポリシーを導出するために、局所的認識反復改善を利用する。 WorldRFTは、オープンループのnuScenesとクローズループのNavSimベンチマークの両方で、最先端(SOTA)のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-22T08:27:44Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• 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)
• 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)
• Hi-Drive: Hierarchical POMDP Planning for Safe Autonomous Driving in Diverse Urban Environments [4.76355503514683]
  Hi-Driveは、動作レベルと軌道レベルの不確実性に対処する階層的計画アルゴリズムである。 Hi-Driveはドライバーモデルを使用して、他の車の不確実な行動意図を表現している。
  論文  参考訳（メタデータ） (2024-09-27T02:58:46Z)
• 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)
• 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。