論文の概要: Mosaic: An Extensible Framework for Composing Rule-Based and Learned Motion Planners

• arxiv url: http://arxiv.org/abs/2604.13853v1
• Date: Wed, 15 Apr 2026 13:23:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.553999
• Title: Mosaic: An Extensible Framework for Composing Rule-Based and Learned Motion Planners
• Title（参考訳）: Mosaic: ルールベースの学習型運動プランナを構築するための拡張可能なフレームワーク
• Authors: Nick Le Large, Marlon Steiner, Lingguang Wang, Willi Poh, Jan-Hendrik Pauls, Ömer Şahin Taş, Christoph Stiller,
• Abstract要約: 学習プランナーは強い適応性を示すが、透明性の低下と時折の安全違反に悩まされる。 我々は、調停グラフを通じて両方のパラダイムを統合する構造化決定のためのフレームワークであるMosaicを紹介する。 実験的評価において、MosaicはVal14のクローズドループベンチマークで95.48 CLS-NRと93.98 CLS-Rを達成した。
• 参考スコア（独自算出の注目度）: 5.399177691034965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safe and explainable motion planning remains a central challenge in autonomous driving. While rule-based planners offer predictable and explainable behavior, they often fail to grasp the complexity and uncertainty of real-world traffic. Conversely, learned planners exhibit strong adaptability but suffer from reduced transparency and occasional safety violations. We introduce Mosaic, an extensible framework for structured decision-making that integrates both paradigms through arbitration graphs. By decoupling trajectory verification and scoring from the generation of trajectories by individual planners, every decision becomes transparent and traceable. Trajectory verification at a higher level introduces redundancy between the planners, limiting emergency braking to the rare case where all planners fail to produce a valid trajectory. Through unified scoring and optimal trajectory selection, rule-based and learned planners with complementary strengths and weaknesses can be combined to yield the best of both worlds. In experimental evaluation on nuPlan, Mosaic achieves 95.48 CLS-NR and 93.98 CLS-R on the Val14 closed-loop benchmark, setting a new state of the art, while reducing at-fault collisions by 30% compared to either planner in isolation. On the interPlan benchmark, focused on highly interactive and difficult scenarios, Mosaic scores 54.30 CLS-R, outperforming its best constituent planner by 23.3% - all without retraining or requiring additional data. The code is available at github.com/KIT-MRT/mosaic.
• Abstract（参考訳）: 安全で説明可能なモーションプランニングは、自動運転において依然として中心的な課題である。 ルールベースのプランナーは予測可能で説明可能な振る舞いを提供するが、現実のトラフィックの複雑さと不確実性を理解するのに失敗することが多い。 逆に、学習プランナーは強い適応性を示すが、透明性の低下と時折の安全違反に悩まされる。 我々は、調停グラフを通じて両方のパラダイムを統合する構造化決定のための拡張可能なフレームワークであるMosaicを紹介する。 個々のプランナーによる軌道検証と軌道生成からのスコアの分離によって、すべての決定は透明でトレース可能である。 より高いレベルでの軌道検証は、プランナー間の冗長性を導入し、すべてのプランナーが有効な軌道を生成できない稀なケースに緊急ブレーキを限定する。 統一されたスコアリングと最適軌道選択によって、相補的な強みと弱みを持つルールベースおよび学習プランナーを組み合わせることで、両方の世界の最高のものを得ることができる。 nuPlanの実験評価において、MosaicはVal14のクローズドループベンチマークで95.48 CLS-NRと93.98 CLS-Rを達成した。 高度にインタラクティブで困難なシナリオに焦点を当てたInterPlanベンチマークでは、Mosaicのスコアは54.30 CLS-Rで、最高の構成プランナーを23.3%上回った。 コードはgithub.com/KIT-MRT/mosaicで入手できる。

関連論文リスト

• Aligning Agents via Planning: A Benchmark for Trajectory-Level Reward Modeling [19.766968596602457]
  Plan-RewardBench(プラン・リワードベンチ)は、判断者が選好と選好の選好をいかに区別するかを評価するために設計された軌道レベルの選好ベンチマークである。 Plan-RewardBench は、 (i) Safety Refusal、 (ii) Tool-Irrelevance / Unavailability、 (iii) Complex Planning、 (iv) Robust Error Recovery の4つの代表的なタスクファミリをカバーする。
  論文  参考訳（メタデータ） (2026-04-09T12:35:06Z)
• Connectivity-Aware Representations for Constrained Motion Planning via Multi-Scale Contrastive Learning [6.0393663164774125]
  制約された動き計画の目的は、タスク固有の制約を満たしながら開始とゴールの設定を接続することである。 本稿では,これらの課題に対して,計画前に開始と目標の設定を選択するための接続性を考慮した表現を学習することによって解決する。
  論文  参考訳（メタデータ） (2026-03-26T10:44:21Z)
• When Planners Meet Reality: How Learned, Reactive Traffic Agents Shift nuPlan Benchmarks [39.146761527401424]
  ルールベースのトラフィックエージェントは、プランナーの欠陥とバイアスランキングを隠蔽する。 我々は、最先端の学習トラフィックエージェントモデルSMARTをnuPlanに統合する。 IDMに基づくシミュレーションでは,計画性能が過大評価されている。
  論文  参考訳（メタデータ） (2025-10-16T13:34:12Z)
• Align2Act: Instruction-Tuned Models for Human-Aligned Autonomous Driving [0.0]
  そこで我々は,Align2Actを提案する。Align2Actは,命令付き言語モデルを人間の行動に合わせた解釈可能なプランナーに変換する動き計画フレームワークである。 nuPlanデータセットから100万のシナリオ上でLLaMA-2-7BをLoRAで微調整することにより,Test14-randomのオープンループスコア85.17,クローズループスコア70.31,66.96を達成できる。 合成またはオープンループ設定に重点を置いた以前の作業とは異なり、実際のnuPlanクローズドループベンチマークにおいて、計画品質と人間的類似性が改善された。
  論文  参考訳（メタデータ） (2025-10-12T08:50:34Z)
• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• Piano: A Multi-Constraint Pin Assignment-Aware Floorplanner [32.58046584473385]
  Pianoは、複数の制約の下でモジュール配置とピン割り当てを同時に最適化するフロアプランニングフレームワークである。 その結果、ピアーノはHPWLの平均6.81%の減少、13.39%の減少、および16.36%の減少を達成した。
  論文  参考訳（メタデータ） (2025-07-20T10:44:54Z)
• Foundation Models for Logistics: Toward Certifiable, Conversational Planning Interfaces [59.80143393787701]
  大規模言語モデル(LLM)は不確実性に対処し、導入障壁を低くしながら再計画の加速を約束する。 本稿では,自然言語対話のアクセシビリティと目標解釈の検証可能な保証とを組み合わせたニューロシンボリック・フレームワークを提案する。 わずか100個の不確実性フィルタで微調整された軽量モデルは、GPT-4.1のゼロショット性能を上回り、推論遅延を50%近く削減する。
  論文  参考訳（メタデータ） (2025-07-15T14:24:01Z)
• Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
  本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。 Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-05-23T09:22:19Z)
• Distilling Multi-modal Large Language Models for Autonomous Driving [64.63127269187814]
  近年のエンド・ツー・エンドの自動運転システムは,大規模言語モデル(LLM)をプランナーとして活用し,レアイベントに対する一般化性を向上させる。 我々は,LLMの世界の知識を活用しつつ,LLMフリー(あるいはビジョンベース)プランナの効率を維持するエンド・ツー・エンドの自動運転システムであるDiMAを提案する。 DiMAを用いたトレーニングでは、L2軌道誤差が37%減少し、ビジョンベースプランナーの衝突速度が80%低下し、ロングテールシナリオでは44%軌道誤差が減少する。
  論文  参考訳（メタデータ） (2025-01-16T18:59:53Z)
• 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)
• LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning [65.86754998249224]
  従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。 当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
  論文  参考訳（メタデータ） (2023-12-30T02:53:45Z)

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。