論文の概要: The Era of End-to-End Autonomy: Transitioning from Rule-Based Driving to Large Driving Models
- arxiv url: http://arxiv.org/abs/2603.16050v1
- Date: Tue, 17 Mar 2026 01:32:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-18 17:42:07.063682
- Title: The Era of End-to-End Autonomy: Transitioning from Rule-Based Driving to Large Driving Models
- Title（参考訳）: エンド・ツー・エンド・オートノミーの時代:ルールに基づく運転から大規模運転モデルへの移行
- Abstract要約: 我々は、Teslaのフルセルフドライブ(FSD)V12 V14、Rivianの統一インテリジェンスプラットフォーム、NVIDIA Cosmos、新しい商用ロボタクシーの展開を分析します。
主要な製品カテゴリーは監督型E2E運転であり、しばしばFSD(Supervised)またはL2プラスと呼ばれる。
初期の運用上の証拠は、E2E学習が現実世界の運転シナリオの長い尾の分布を処理し、主要な商業戦略になりつつあることを示唆している。
- 参考スコア（独自算出の注目度）: 0.8594140167290097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving is undergoing a shift from modular rule based pipelines toward end to end (E2E) learning systems. This paper examines this transition by tracing the evolution from classical sense perceive plan control architectures to large driving models (LDMs) capable of mapping raw sensor input directly to driving actions. We analyze recent developments including Tesla's Full Self Driving (FSD) V12 V14, Rivian's Unified Intelligence platform, NVIDIA Cosmos, and emerging commercial robotaxi deployments, focusing on architectural design, deployment strategies, safety considerations and industry implications. A key emerging product category is supervised E2E driving, often referred to as FSD (Supervised) or L2 plus plus, which several manufacturers plan to deploy from 2026 onwards. These systems can perform most of the Dynamic Driving Task (DDT) in complex environments while requiring human supervision, shifting the driver's role to safety oversight. Early operational evidence suggests E2E learning handles the long tail distribution of real world driving scenarios and is becoming a dominant commercial strategy. We also discuss how similar architectural advances may extend beyond autonomous vehicles (AV) to other embodied AI systems, including humanoid robotics.
- Abstract（参考訳）: 自律運転は、モジュラールールベースのパイプラインからエンド・ツー・エンド(E2E)学習システムへのシフトを受けている。
本稿では,古典的な感覚から大規模駆動モデル (LDM) への進化を辿り, 生のセンサ入力を直接駆動行動にマッピングする手法について検討する。
我々は、Teslaのフルセルフドライブ(FSD)V12 V14、Rivianの統一インテリジェンスプラットフォーム、NVIDIA Cosmos、新しい商用ロボタクシーの展開など、最近の開発状況を分析し、アーキテクチャ設計、デプロイメント戦略、安全性考慮、業界への影響に焦点を当てた。
主要な製品カテゴリーは監督型E2E運転であり、FSD(Supervised)またはL2プラスと呼ばれることが多い。
これらのシステムは、人間の監督を必要としながら複雑な環境で動的運転タスク(DDT)のほとんどを実行することができ、ドライバーの役割を安全監視に移すことができる。
初期の運用上の証拠は、E2E学習が現実世界の運転シナリオの長い尾の分布を処理し、主要な商業戦略になりつつあることを示唆している。
また、同様のアーキテクチャの進歩が、自動運転車(AV)からヒューマノイドロボティクスを含む他の具体的AIシステムにどのように拡張されるかについても論じる。
関連論文リスト
- MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。
本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。
MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
論文 参考訳（メタデータ） (2026-05-13T23:35:14Z) - Rationale Behind Human-Led Autonomous Truck Platooning [1.7609347893867413]
人間のループ小隊アーキテクチャは階層的冗長性、不確実な条件での適応的判断、スケーラブルな検証フレームワークを提供する、と我々は主張する。
人間の手による小隊は妥協を表すのではなく、技術的に根拠と社会的に整合した橋を大規模に自律的な貨物配備に向けて提供する。
論文 参考訳（メタデータ） (2026-03-01T23:02:51Z) - DiffVLA++: Bridging Cognitive Reasoning and End-to-End Driving through Metric-Guided Alignment [17.820853548534735]
VLA(Vision-Language-Action)モデルは、世界知識を活用して挑戦的なケースを扱うが、3D推論能力に制限があるため、物理的に不可能なアクションにつながる可能性がある。
DiffVLA++は、認知的推論とE2E計画を明確にブリッジする、拡張された自律運転フレームワークである。
論文 参考訳（メタデータ） (2025-10-20T04:49:14Z) - Generative AI for Autonomous Driving: Frontiers and Opportunities [145.6465312554513]
この調査は、自律運転スタックにおけるGenAIの役割の包括的合成を提供する。
まず、VAE、GAN、拡散モデル、および大規模言語モデルを含む、現代の生成モデリングの原則とトレードオフを蒸留することから始めます。
我々は、合成データ一般化、エンドツーエンド駆動戦略、高忠実なデジタルツインシステム、スマートトランスポートネットワーク、具体化されたAIへのクロスドメイン転送など、実用的な応用を分類する。
論文 参考訳（メタデータ） (2025-05-13T17:59:20Z) - The Role of World Models in Shaping Autonomous Driving: A Comprehensive Survey [50.62538723793247]
ドライビング・ワールド・モデル(DWM)は、ドライビング・プロセス中のシーンの進化を予測することに焦点を当てている。
DWM法は、自律運転システムが動的運転環境をよりよく知覚し、理解し、相互作用することを可能にする。
論文 参考訳（メタデータ） (2025-02-14T18:43:15Z) - VLM-AD: End-to-End Autonomous Driving through Vision-Language Model Supervision [17.36342349850825]
教師としての視覚言語モデル(VLM)は、追加の監督を提供することで訓練を強化する。
VLM-ADは、nuScenesデータセットの計画精度と衝突率の大幅な改善を実現している。
論文 参考訳（メタデータ） (2024-12-19T01:53:36Z) - A Systematic Study of Multi-Agent Deep Reinforcement Learning for Safe and Robust Autonomous Highway Ramp Entry [0.0]
本研究では,車体前方移動動作を制御するハイウェイランプ機能について検討し,車体が進入する高速道路交通の流れとの衝突を最小限に抑える。
我々はこの問題に対してゲーム理論的マルチエージェント(MA)アプローチを採用し、深層強化学習(DRL)に基づくコントローラの利用について検討する。
本稿では,2台以上の車両(エージェント)の相互作用を研究することで既存の作業を拡張し,交通量やエゴカーを付加して道路シーンを体系的に拡張する。
論文 参考訳（メタデータ） (2024-11-21T21:23:46Z) - LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。
本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
論文 参考訳（メタデータ） (2023-11-02T07:23:33Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳（メタデータ） (2022-07-05T16:33:20Z) - A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the
First CARLA Autonomous Driving Challenge [49.976633450740145]
本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。
我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
論文 参考訳（メタデータ） (2020-10-23T18:07:48Z) - A Survey on Autonomous Vehicle Control in the Era of Mixed-Autonomy:
From Physics-Based to AI-Guided Driving Policy Learning [7.881140597011731]
本稿では、人工知能(AI)から自律走行車(AV)制御のための輸送工学分野への潜在的に有用なモデルと方法論の紹介と概要を提供する。
我々は、AI誘導手法の最先端の応用について議論し、機会と障害を特定し、オープンな質問を提起し、AIが混合自律において役割を果たす可能性のあるビルディングブロックとエリアを提案する。
論文 参考訳（メタデータ） (2020-07-10T04:27:39Z)
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。