論文の概要: MVAdapt: Zero-Shot Multi-Vehicle Adaptation for End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2604.11854v1
• Date: Mon, 13 Apr 2026 05:05:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.026979
• Title: MVAdapt: Zero-Shot Multi-Vehicle Adaptation for End-to-End Autonomous Driving
• Title（参考訳）: MVAdapt: エンドツーエンド自動運転のためのゼロショットマルチ車両適応
• Authors: Haesung Oh, Jaeheung Park,
• Abstract要約: マルチサイクルE2E駆動のための物理条件適応フレームワークであるMVAdaptを提案する。 MVAdaptは、非流通車と無監視車の両方で、ナイーブトランスファーと多身体適応ベースラインを改善する。 結果は、車両物理におけるE2E駆動ポリシーの明示的な条件付けが、より移動可能な自動運転モデルへの効果的なステップであることを示唆している。
• 参考スコア（独自算出の注目度）: 5.450117222756469
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-End (E2E) autonomous driving models are usually trained and evaluated with a fixed ego-vehicle, even though their driving policy is implicitly tied to vehicle dynamics. When such a model is deployed on a vehicle with different size, mass, or drivetrain characteristics, its performance can degrade substantially; we refer to this problem as the vehicle-domain gap. To address it, we propose MVAdapt, a physics-conditioned adaptation framework for multi-vehicle E2E driving. MVAdapt combines a frozen TransFuser++ scene encoder with a lightweight physics encoder and a cross-attention module that conditions scene features on vehicle properties before waypoint decoding. In the CARLA Leaderboard 1.0 benchmark, MVAdapt improves over naive transfer and multi-embodiment adaptation baselines on both in-distribution and unseen vehicles. We further show two complementary behaviors: strong zero-shot transfer on many unseen vehicles, and data-efficient few-shot calibration for severe physical outliers. These results suggest that explicitly conditioning E2E driving policies on vehicle physics is an effective step toward more transferable autonomous driving models. All codes are available at https://github.com/hae-sung-oh/MVAdapt
• Abstract（参考訳）: E2E(End-to-End)自律走行モデルは、運転方針が車両力学に暗黙的に結びついているにもかかわらず、通常、固定車を用いて訓練され、評価される。 このようなモデルが異なる大きさ、質量または駆動列車特性の車両に展開した場合、その性能は大幅に低下し、この問題を車領域間ギャップと呼ぶ。 そこで本研究では,多車E2E駆動のための物理条件適応フレームワークであるMVAdaptを提案する。 MVAdaptは、凍結されたTransFuser++シーンエンコーダと軽量な物理エンコーダと、ウェイポイント復号前に車両特性のシーン特性を条件付けるクロスアテンションモジュールを組み合わせる。 CARLA Leaderboard 1.0ベンチマークでは、MVAdaptは、ナイーブトランスファーよりも改善され、分布内および未確認両車両の多体適応ベースラインがベースラインとなる。 さらに、多くの未確認車両における強力なゼロショット転送と、重度の物理的外れ値に対するデータ効率の低い数ショットキャリブレーションの2つの相補的挙動を示す。 これらの結果は、車両物理におけるE2E駆動ポリシーの明示的な条件付けが、より移動可能な自律運転モデルへの効果的なステップであることを示唆している。 すべてのコードはhttps://github.com/hae-sung-oh/MVAdaptで入手できる。

関連論文リスト

• VEGA: Electric Vehicle Navigation Agent via Physics-Informed Neural Operator and Proximal Policy Optimization [1.4524691281000133]
  本稿では、充電器付道路グラフを計画する充電対応EVナビゲーションエージェントVEGAを紹介する。 VEGAは2つのモジュールで構成されている。まず、物理インフォームド・ニューラル演算子(PINO)で、実際の車両速度とバッテリパワーログに基づいて訓練されている。 第二に、Reinforcement Learning (RL) エージェントはこれらのダイナミクスを使用して、最適な充電停止と居住時間を持つ経路を最適化する。
  論文  参考訳（メタデータ） (2025-09-16T11:27:50Z)
• GPD-1: Generative Pre-training for Driving [77.06803277735132]
  本稿では,これらすべてのタスクを実現するために,GPD-1(Generative Pre-Training for Driving)モデルを提案する。 それぞれのシーンをエゴ、エージェント、マップトークンで表現し、統一トークン生成問題として自律運転を定式化する。 GPD-1は、シーン生成、交通シミュレーション、クローズドループシミュレーション、マップ予測、モーションプランニングなど、微調整なしで様々なタスクに適応する。
  論文  参考訳（メタデータ） (2024-12-11T18:59:51Z)
• Tapping in a Remote Vehicle's onboard LLM to Complement the Ego Vehicle's Field-of-View [1.701722696403793]
  本稿では,車載言語モデル(LLM)をタップすることで,エゴ車両の視野(FOV)と他の車両のFOVを補完する概念を提案する。 GPT-4V や GPT-4o など,ごく最近の LLM では,交通状況が極めて詳細に把握されているため,交通参加者の特定にも利用することができる。
  論文  参考訳（メタデータ） (2024-08-20T12:38:34Z)
• 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)
• M2DA: Multi-Modal Fusion Transformer Incorporating Driver Attention for Autonomous Driving [11.36165122994834]
  自律運転にドライバ注意(M2DA)を組み込んだ多モード核融合トランスを提案する。 ドライバーの注意を取り入れることで、自動運転車に人間のようなシーン理解能力を付与し、重要な領域を正確に特定し、安全性を確保する。
  論文  参考訳（メタデータ） (2024-03-19T08:54:52Z)
• Policy Pre-training for End-to-end Autonomous Driving via Self-supervised Geometric Modeling [96.31941517446859]
  PPGeo (Policy Pre-training via Geometric Modeling) は,視覚運動運転における政策事前学習のための,直感的かつ直接的な完全自己教師型フレームワークである。 本研究では,大規模な未ラベル・未校正動画の3次元幾何学シーンをモデル化することにより,ポリシー表現を強力な抽象化として学習することを目的とする。 第1段階では、幾何モデリングフレームワークは、2つの連続したフレームを入力として、ポーズと深さの予測を同時に生成する。 第2段階では、視覚エンコーダは、将来のエゴモーションを予測し、現在の視覚観察のみに基づいて測光誤差を最適化することにより、運転方針表現を学習する。
  論文  参考訳（メタデータ） (2023-01-03T08:52:49Z)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)
• VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification [116.1587709521173]
  我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。 VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。 AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
  論文  参考訳（メタデータ） (2020-04-14T05:06:38Z)
• End-to-End Vision-Based Adaptive Cruise Control (ACC) Using Deep Reinforcement Learning [12.100265694989627]
  本稿では,Double Deep Q-networksという深層強化学習手法を提案し,エンドツーエンドの視覚ベースの適応クルーズ制御(ACC)システムを設計した。 強化学習モデルでは, 後続距離とスロットル/ブレーキ力に付随するよく設計された報酬関数が実装された。 提案システムは, 先行車両の異なる速度軌跡に適応し, リアルタイムに動作可能である。
  論文  参考訳（メタデータ） (2020-01-24T20:02:50Z)

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。