論文の概要: Driving with A Thousand Faces: A Benchmark for Closed-Loop Personalized End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2602.18757v1
• Date: Sat, 21 Feb 2026 08:42:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.29392
• Title: Driving with A Thousand Faces: A Benchmark for Closed-Loop Personalized End-to-End Autonomous Driving
• Title（参考訳）: 何千もの顔で運転する: クローズドループパーソナライズされたエンドツーエンド自動運転のためのベンチマーク
• Authors: Xiaoru Dong, Ruiqin Li, Xiao Han, Zhenxuan Wu, Jiamin Wang, Jian Chen, Qi Jiang, SM Yiu, Xinge Zhu, Yuexin Ma,
• Abstract要約: Person2Driveは、包括的なパーソナライズされたE2E-ADプラットフォームとベンチマークである。 オープンソースのフレキシブルなデータ収集システムで、現実的なシナリオをシミュレートして、パーソナライズされた運転データセットを生成する。 私たちのデータセットとコードは、受け入れられてからリリースされます。
• 参考スコア（独自算出の注目度）: 39.31712441721641
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human driving behavior is inherently diverse, yet most end-to-end autonomous driving (E2E-AD) systems learn a single average driving style, neglecting individual differences. Achieving personalized E2E-AD faces challenges across three levels: limited real-world datasets with individual-level annotations, a lack of quantitative metrics for evaluating personal driving styles, and the absence of algorithms that can learn stylized representations from users' trajectories. To address these gaps, we propose Person2Drive, a comprehensive personalized E2E-AD platform and benchmark. It includes an open-source, flexible data collection system that simulates realistic scenarios to generate scalable and diverse personalized driving datasets; style vector-based evaluation metrics with Maximum Mean Discrepancy and KL divergence to comprehensively quantify individual driving behaviors; and a personalized E2E-AD framework with a style reward model that efficiently adapts E2E models for safe and individualized driving. Extensive experiments demonstrate that Person2Drive enables fine-grained analysis, reproducible evaluation, and effective personalization in end-to-end autonomous driving. Our dataset and code will be released after acceptance.
• Abstract（参考訳）: 人間の運転行動は本質的に多様性があるが、ほとんどのエンドツーエンド自動運転(E2E-AD)システムは、個々の違いを無視して、単一の平均運転スタイルを学ぶ。 E2E-ADのパーソナライズされた達成は、個々のレベルのアノテーションによる現実世界のデータセットの制限、個人の運転スタイルを評価するための定量的メトリクスの欠如、ユーザの軌道からスタイリングされた表現を学習できるアルゴリズムの欠如、という3つのレベルにまたがる課題に直面する。 これらのギャップに対処するため、我々はパーソナライズされたE2E-ADプラットフォームとベンチマークであるPerson2Driveを提案する。 これには、スケーラブルで多様なパーソナライズされた運転データセットを生成するための現実的なシナリオをシミュレートするオープンソースのフレキシブルなデータ収集システム、個人の運転行動を包括的に定量化するための最大平均離散性とKL分散によるスタイルベクターベースの評価メトリクス、安全かつ個別化された運転のためにE2Eモデルに効率的に適応するスタイル報酬モデルを備えたパーソナライズされたE2E-ADフレームワークが含まれる。 広範囲な実験により、Person2Driveは、エンドツーエンドの自動運転において、きめ細かい分析、再現可能な評価、効果的なパーソナライゼーションを可能にしている。 私たちのデータセットとコードは、受け入れられてからリリースされます。

関連論文リスト

• StyleDrive: Towards Driving-Style Aware Benchmarking of End-To-End Autonomous Driving [7.525510086747996]
  エンドツーエンド自動運転(E2EAD)の文脈では、パーソナライゼーションはほとんど見過ごされている。 パーソナライズされたE2EAD用に明示的にキュレートされた,最初の大規模実世界のデータセットを紹介する。 パーソナライズされたE2EADモデルを体系的に評価するための最初の標準ベンチマークを紹介する。
  論文  参考訳（メタデータ） (2025-06-30T15:48:38Z)
• DISC: Dataset for Analyzing Driving Styles In Simulated Crashes for Mixed Autonomy [13.365522429680547]
  DISC(Driving Styles In Simulated Crashes)は、混合自律分析のための事前クラッシュシナリオで駆動スタイルをキャプチャする最初のデータセットの1つである。 DISCには、シミュレートされた車両をナビゲートする数百人のドライバーの運転スタイル/行動のクラスが8以上含まれている。 データは、12のシミュレートされた事故シナリオに遭遇する人間のドライバーに関するドライバー中心の研究を通じて収集された。
  論文  参考訳（メタデータ） (2025-01-28T15:45:25Z)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
  本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。 我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-06T09:12:30Z)
• D2E-An Autonomous Decision-making Dataset involving Driver States and Human Evaluation [6.890077875318333]
  Driver to Evaluationデータセット(D2E)は、自律的な意思決定データセットである。 運転状態、車両状態、環境状況、および人間レビュアーによる評価スコアに関するデータが含まれている。 D2Eは、人間のドライバーファクターから評価結果をカバーする1100以上の対話運転ケースデータを含んでいる。
  論文  参考訳（メタデータ） (2024-04-12T21:29:18Z)
• DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
  本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。 センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。 我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:01Z)
• End-to-End Driving via Self-Supervised Imitation Learning Using Camera and LiDAR Data [6.849144123909844]
  本論文は,E2E運転のための自己教師付き模倣学習(SSIL)として,最初の完全自己教師型学習フレームワークを提案する。 SSILは、駆動コマンドデータまたは事前訓練されたモデルを使用して、E2E駆動ネットワークを即時学習することができる。 本稿では,2つのE2E駆動ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-28T06:17:15Z)

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。