論文の概要: UniUncer: Unified Dynamic Static Uncertainty for End to End Driving
- arxiv url: http://arxiv.org/abs/2603.07686v1
- Date: Sun, 08 Mar 2026 15:43:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:15.023724
- Title: UniUncer: Unified Dynamic Static Uncertainty for End to End Driving
- Title（参考訳）: UniUncer: 運転を終了させるための動的不確実性
- Abstract要約: 提案するUniUncerは,E2Eプランナ内の静的要素と動的要素の両方について,共同で不確実性を推定し,使用するための,最初の軽量で統一された不確実性フレームワークである。
設計はオーバーヘッドを最小限にし、一般的なE2Eバックボーンのプラグアンドプレイを保ちながら、$sim$0.5 FPSでスループットを低下させる。
- 参考スコア（独自算出の注目度）: 20.831597460437198
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: End-to-end (E2E) driving has become a cornerstone of both industry deployment and academic research, offering a single learnable pipeline that maps multi-sensor inputs to actions while avoiding hand-engineered modules. However, the reliability of such pipelines strongly depends on how well they handle uncertainty: sensors are noisy, semantics can be ambiguous, and interaction with other road users is inherently stochastic. Uncertainty also appears in multiple forms: classification vs. localization, and, crucially, in both static map elements and dynamic agents. Existing E2E approaches model only static-map uncertainty, leaving planning vulnerable to overconfident and unreliable inputs. We present UniUncer, the first lightweight, unified uncertainty framework that jointly estimates and uses uncertainty for both static and dynamic scene elements inside an E2E planner. Concretely: (1) we convert deterministic heads to probabilistic Laplace regressors that output per-vertex location and scale for vectorized static and dynamic entities; (2) we introduce an uncertainty-fusion module that encodes these parameters and injects them into object/map queries to form uncertainty-aware queries; and (3) we design an uncertainty-aware gate that adaptively modulates reliance on historical inputs (ego status or temporal perception queries) based on current uncertainty levels. The design adds minimal overhead and drops throughput by only $\sim$0.5 FPS while remaining plug-and-play for common E2E backbones. On nuScenes (open-loop), UniUncer reduces average L2 trajectory error by 7\%. On NavsimV2 (pseudo closed-loop), it improves overall EPDMS by 10.8\% and notable stage two gains in challenging, interaction-heavy scenes. Ablations confirm that dynamic-agent uncertainty and the uncertainty-aware gate are both necessary.
- Abstract（参考訳）: エンド・ツー・エンド(E2E)駆動は、産業展開と学術研究の両方の基盤となり、ハンドエンジニアリングモジュールを避けながら、マルチセンサー入力をアクションにマッピングする単一の学習可能なパイプラインを提供する。
しかし、そのようなパイプラインの信頼性は、いかに不確実性を扱うかに強く依存する。センサはうるさく、セマンティクスは曖昧であり、他の道路利用者とのインタラクションは本質的に確率的である。
不確実性は、分類とローカライゼーション、そして重要なことは、静的マップ要素と動的エージェントの両方に現れる。
既存のE2Eアプローチは、静的マップの不確実性のみをモデル化し、過信で信頼性の低い入力に対する計画の脆弱性を残している。
提案するUniUncerは,E2Eプランナ内の静的および動的シーン要素を共同で推定し,不確実性を利用する,最初の軽量で統一された不確実性フレームワークである。
具体的には,(1)ベクトル化静的および動的エンティティに対して頂点ごとの位置とスケールを出力する確率的ラプラス回帰器,(2)パラメータを符号化してオブジェクト/マップクエリに注入して不確実性認識クエリを生成する不確実性融合モジュールを導入し,(3)現在の不確実性レベルに基づいて履歴入力(エゴ状態または時間知覚クエリ)への依存を適応的に調節する不確実性認識ゲートを設計する。
この設計ではオーバーヘッドは最小限に抑えられ、スループットは$\sim$0.5 FPS程度に抑えられるが、一般的なE2Eバックボーンのプラグアンドプレイは残る。
nuScenes(オープンループ)では、UniUncerは平均L2軌道誤差を7\%削減する。
NavsimV2 (pseudo closed-loop)では、EPDMS全体の10.8\%の改善と、挑戦的で対話性の高いシーンの2つの注目すべきステージ向上を実現している。
アブレーションにより、動的エージェントの不確実性と不確実性認識ゲートの両方が必要であることが確認される。
関連論文リスト
- DecoupleGS: Interactive 3D Gaussian Splatting for End-to-End Autonomous Driving Testing [37.82194951319459]
エンドツーエンド(E2E)自律運転アルゴリズムは、シミュレーション環境で厳密な閉ループ検証を必要とする。
ゲームエンジンから静的なニューラルレンダリングに至るまで、既存のアプローチは本質的にこれらの要件をトレードオフする。
大規模E2E評価に適した3次元ガウススティング(3DGS)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-03T06:32:00Z) - Label-Free Target-Domain Adaptation for Unconstrained Event-Image Feature Matching via Dual-Stage Distillation [30.789763956644958]
クロスモーダルマッチング手法は、マッチングラベルまたは厳密に整列されたハードウェアに依存しているため、大きく制限されている。
本稿では,この問題に対処するための新しい2段階トレーニングパラダイムを提案する。
提案手法はMVSECとTUM-VIEの両方のポーズ推定タスクにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2026-07-11T02:23:11Z) - Uncertainty-Guided Dual-Domain Learning for Reliable Skin Lesion Segmentation [22.691374446857463]
皮膚病変分類のためのUncertainty-Guided Dual-Domain Network (UGDD-Net)を提案する。
UGDD-Netは、不確実性をアクティブな誘導信号に変換する新しい"Glance-and-Gaze"メカニズムを導入した。
我々の不確実性マップは、熟練したサーバ間変動と一致し、人間と機械の協調診断に堅牢な解釈性を提供する。
論文 参考訳（メタデータ） (2026-05-10T15:20:58Z) - Uncertainty-Aware Trajectory Prediction: A Unified Framework Harnessing Positional and Semantic Uncertainties [18.530958966955847]
軌道予測は、歴史的運動データの時間的地平線を考慮し、車両や歩行者のような動的実体の将来の動きを予測しようとする。
この領域における中心的な課題は、二つの主要な情報源から生じるリアルタイムマップに固有の不確実性である。
本稿では,位置的および意味的不確実性を共同でモデル化し,それらを軌道予測パイプラインに明示的に統合する,新しい統合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-31T07:35:55Z) - Agentic Uncertainty Quantification [76.94013626702183]
本稿では,言語化された不確実性をアクティブな双方向制御信号に変換する統合されたデュアルプロセスエージェントUQ(AUQ)フレームワークを提案する。
システム1(Uncertainty-Aware Memory, UAM)とシステム2(Uncertainty-Aware Reflection, UAR)は、これらの説明を合理的な手段として利用し、必要な時にのみターゲットの推論時間解決をトリガーする。
論文 参考訳（メタデータ） (2026-01-22T07:16:26Z) - SUPER-AD: Semantic Uncertainty-aware Planning for End-to-End Robust Autonomous Driving [36.91878828972102]
本稿では,BEV空間におけるアレータリック不確実性を直接推定し,それを計画に組み込む,カメラのみのE2Eフレームワークを提案する。
本手法は,画素レベルの解像度で意味構造と幾何学的レイアウトの両方をキャプチャする,密度の高い不確実性を考慮したドライバビリティマップを生成する。
論文 参考訳（メタデータ） (2025-11-28T03:50:44Z) - Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。
我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。
並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
論文 参考訳（メタデータ） (2025-08-28T07:09:21Z) - Deciding When Not to Decide: Indeterminacy-Aware Intrusion Detection with NeutroSENSE [0.0]
NeutroSENSEは、IoT環境における侵入検出を解釈するためのニュートロゾフィックのアンサンブルフレームワークである。
システムは予測信頼を真理(T)、虚偽(F)、不確定性(I)に分解し、不確実な定量化と棄却を可能にする。
論文 参考訳（メタデータ） (2025-06-05T11:43:31Z) - Prior2Former -- Evidential Modeling of Mask Transformers for Assumption-Free Open-World Panoptic Segmentation [74.55677741919035]
顕在学習に根ざしたセグメンテーション・ビジョン・トランスフォーマの最初のアプローチである Prefer2Former (P2F) を提案する。
P2Fは、ピクセル単位のバイナリマスク割り当てにおいて、モデル不確実性を計算するためのベータを組み込むことで、マスクビジョントランスフォーマーアーキテクチャを拡張している。
未知のクラスに対処するほとんどのセグメンテーションモデルとは異なり、P2FはOODデータサンプルへのアクセスや、ヴォイド(ラベルなし)クラスに対する対照的なトレーニングなしで動作する。
論文 参考訳（メタデータ） (2025-04-07T08:53:14Z) - DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。
タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。
シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-03-07T11:41:18Z) - 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) - Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。
アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。
本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
論文 参考訳（メタデータ） (2020-06-28T13:49:30Z)
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。