論文の概要: FeaXDrive: Feasibility-aware Trajectory-Centric Diffusion Planning for End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2604.12656v1
• Date: Tue, 14 Apr 2026 12:24:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.439138
• Title: FeaXDrive: Feasibility-aware Trajectory-Centric Diffusion Planning for End-to-End Autonomous Driving
• Title（参考訳）: FeaXDrive: エンド・ツー・エンド自動運転における軌道中心拡散計画の実現可能性
• Authors: Baoyun Wang, Zhuoren Li, Ming Liu, Xinrui Zhang, Bo Leng, Lu Xiong,
• Abstract要約: FeaXDriveは、エンド・ツー・エンドの自動運転のための実現可能な軌道中心拡散計画法である。 この軌道中心の定式化に基づいて、FeaXDriveは適応的な曲率制約付きトレーニングを統合し、固有の幾何学的およびキネマティックな実現性を改善する。 NAVSIMベンチマークの実験では、FeaXDriveは強力なクローズドループ計画性能を達成している。
• 参考スコア（独自算出の注目度）: 9.654458127972736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end diffusion planning has shown strong potential for autonomous driving, but the physical feasibility of generated trajectories remains insufficiently addressed. In particular, generated trajectories may exhibit local geometric irregularities, violate trajectory-level kinematic constraints, or deviate from the drivable area, indicating that the commonly used noise-centric formulation in diffusion planning is not yet well aligned with the trajectory space where feasibility is more naturally characterized. To address this issue, we propose FeaXDrive, a feasibility-aware trajectory-centric diffusion planning method for end-to-end autonomous driving. The core idea is to treat the clean trajectory as the unified object for feasibility-aware modeling throughout the diffusion process. Built on this trajectory-centric formulation, FeaXDrive integrates adaptive curvature-constrained training to improve intrinsic geometric and kinematic feasibility, drivable-area guidance within reverse diffusion sampling to enhance consistency with the drivable area, and feasibility-aware GRPO post-training to further improve planning performance while balancing trajectory-space feasibility. Experiments on the NAVSIM benchmark show that FeaXDrive achieves strong closed-loop planning performance while substantially improving trajectory-space feasibility. These findings highlight the importance of explicitly modeling trajectory-space feasibility in end-to-end diffusion planning and provide a step toward more reliable and physically grounded autonomous driving planners.
• Abstract（参考訳）: エンド・ツー・エンドの拡散計画は、自動運転の強い可能性を示しているが、生成した軌道の物理的実現可能性はまだ不十分である。 特に、生成された軌道は局所的な幾何的不規則性を示し、軌道レベルの運動的制約に違反したり、乾燥領域から逸脱したりし、拡散計画において一般的に用いられる雑音中心の定式化が、より自然に特徴付けられる軌道空間と整合していないことを示す。 この問題に対処するため, エンド・ツー・エンドの自動運転において, 実現可能性を考慮した軌道中心拡散計画法であるFeaXDriveを提案する。 中心となる考え方は、拡散過程全体を通して実現可能性を考慮したモデリングのための統一された対象としてクリーンな軌道を扱うことである。 この軌道中心の定式化に基づいて、FeaXDriveは適応的曲率制約トレーニングを統合し、固有幾何学的および運動的実現可能性の向上、逆拡散サンプリング内でのドライバブル・エリアガイダンスによるドライバブル領域との整合性の向上、軌道空間実現性のバランスを保ちつつ計画性能をさらに向上する可能性を考慮したGRPOポストトレーニングを実現した。 NAVSIMベンチマークの実験により、FeaXDriveは軌道空間の実現可能性を大幅に向上しつつ、強い閉ループ計画性能を達成することが示された。 これらの知見は、エンド・ツー・エンドの拡散計画において、軌道空間の実現可能性を明確にモデル化することの重要性を強調し、より信頼性が高く物理的に基礎付けられた自動運転プランナーへのステップを提供する。

関連論文リスト

• Amortizing Trajectory Diffusion with Keyed Drift Fields [2.5352713493505785]
  キード・ドリフト・ポリシーズ (Keyed Drifting Policies) は、ドリフトフィールドの目標で訓練された1ステップの軌道生成装置である。 生成されたトラジェクトリを条件マッチングされたデータセットウィンドウに反映する。 1ステップの推論で高い性能を達成し、拡散サンプリングよりも計画遅延を大幅に低減する。
  論文  参考訳（メタデータ） (2026-03-14T17:56:15Z)
• FlowDrive: Energy Flow Field for End-to-End Autonomous Driving [50.89871153094958]
  FlowDriveは、物理的に解釈可能なエネルギーベースのフローフィールドを導入し、セマンティックな前提と安全性をBEV空間にエンコードする新しいフレームワークである。 NAVSIM v2ベンチマークの実験では、FlowDriveが最先端のパフォーマンスを86.3で達成し、安全性と計画品質の両方において以前のベースラインを超えたことが示されている。
  論文  参考訳（メタデータ） (2025-09-17T13:51:33Z)
• Real-Time Adaptive Motion Planning via Point Cloud-Guided, Energy-Based Diffusion and Potential Fields [5.957267878870244]
  追従回避の問題に触発され,エネルギーベース拡散モデルと人工ポテンシャル場を組み合わせた運動計画フレームワークを提案する。 提案手法は、点雲から直接障害物情報を処理し、完全な幾何学的表現を必要としない効率的な計画を可能にする。
  論文  参考訳（メタデータ） (2025-07-12T19:42:07Z)
• 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)
• Using Diffusion Ensembles to Estimate Uncertainty for End-to-End Autonomous Driving [0.49998148477760973]
  EnDfuserは、拡散モデルを軌道プランナーとして使用するエンドツーエンドの駆動システムである。 本研究は,従来の軌道計画モジュールのドロップイン代替として用いられるアンサンブル拡散が,運転決定の安全性向上に役立つことを示唆している。
  論文  参考訳（メタデータ） (2025-05-31T13:33:27Z)
• 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)

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。