論文の概要: CooperDrive: Enhancing Driving Decisions Through Cooperative Perception
- arxiv url: http://arxiv.org/abs/2604.14454v1
- Date: Wed, 15 Apr 2026 22:15:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.631593
- Title: CooperDrive: Enhancing Driving Decisions Through Cooperative Perception
- Title（参考訳）: CooperDrive: 共同認識による運転判断の強化
- Authors: Deyuan Qu, Qi Chen, Takayuki Shimizu, Onur Altintas,
- Abstract要約: CooperDriveは、状況認識を強化し、より早く安全な運転決定を可能にする協調認識フレームワークである。
CooperDriveは検出器のBird's-Eye View(BEV)機能を再利用し、重いエンコーダを追加せずに正確な車両のポーズを推定する。
計画面では、CooperDriveは拡張されたオブジェクトセットを利用して、潜在的な衝突を早期に予測し、速度と軌道を積極的に調整する。
- 参考スコア（独自算出の注目度）: 11.113244744008844
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous vehicles equipped with robust onboard perception, localization, and planning still face limitations in occlusion and non-line-of-sight (NLOS) scenarios, where delayed reactions can increase collision risk. We propose CooperDrive, a cooperative perception framework that augments situational awareness and enables earlier, safer driving decisions. CooperDrive offers two key advantages: (i) each vehicle retains its native perception, localization, and planning stack, and (ii) a lightweight object-level sharing and fusion strategy bridges perception and planning. Specifically, CooperDrive reuses detector Bird's-Eye View (BEV) features to estimate accurate vehicle poses without additional heavy encoders, thereby reconstructing BEV representations and feeding the planner with low latency. On the planning side, CooperDrive leverages the expanded object set to anticipate potential conflicts earlier and adjust speed and trajectory proactively, thereby transforming reactive behaviors into predictive and safer driving decisions. Real-world closed-loop tests at occlusion-heavy NLOS intersections demonstrate that CooperDrive increases reaction lead time, minimum time-to-collision (TTC), and stopping margin, while requiring only 90 kbps bandwidth and maintaining an average end-to-end latency of 89 ms.
- Abstract（参考訳）: 堅牢なオンボード認識、ローカライゼーション、計画を備えた自律車両は、遅延反応が衝突リスクを増大させるような閉塞および非視線(NLOS)シナリオの制限に直面している。
我々は、状況認識を強化し、より早く安全な運転決定を可能にする協調認識フレームワークであるCooperDriveを提案する。
CooperDriveには2つの大きな利点がある。
一 各車両が自在の認識、地域化及び計画スタックを保持し、
(II)軽量なオブジェクトレベルの共有と融合戦略は、知覚と計画を橋渡しする。
特に、CooperDriveは検出器Bird's-Eye View(BEV)機能を再利用して、追加の重エンコーダを使わずに正確な車両ポーズを推定し、BEV表現を再構築し、プランナーに低レイテンシで供給する。
計画面では、CooperDriveは拡張されたオブジェクトセットを活用して、潜在的な衝突を早期に予測し、速度と軌道を積極的に調整することで、リアクティブな振る舞いを予測的で安全な運転判断に変換する。
NLOS交差点での実世界のクローズドループ試験では、CooperDriveは、90kbpsの帯域しか必要とせず、平均で89msのレイテンシを維持しながら、リアクションリード時間、最小時間/コリエーション(TTC)、マージンを抑えることができる。
関連論文リスト
- ADV-0: Closed-Loop Min-Max Adversarial Training for Long-Tail Robustness in Autonomous Driving [63.980630608984605]
本稿では、ゼロサムマルコフゲームとして、駆動ポリシー(ディフェンダー)と敵エージェント(アタックラー)の相互作用を扱うクローズドループのmin-max最適化フレームワークであるADV-0を提案する。
これを実現するため,我々は動的敵の進化を反復的な選好学習とし,この最適性を効率的に近似し,アルゴリズムに依存しない解をゲームに提供する。
実験により、多様な安全クリティカルな障害を効果的に露呈し、学習方針と運動プランナーの両方の一般化可能性を大幅に向上させることが示されている。
論文 参考訳（メタデータ） (2026-03-16T12:58:31Z) - Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。
OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。
当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
論文 参考訳（メタデータ） (2025-12-08T15:56:18Z) - ExpertAD: Enhancing Autonomous Driving Systems with Mixture of Experts [13.846892166111646]
ExpertADは、自律運転システムの性能を高める新しいフレームワークである。
実験の結果,ExpertADは従来の手法に比べて平均衝突速度を最大20%削減し,推論遅延を25%削減できることがわかった。
論文 参考訳（メタデータ） (2025-11-13T13:14:17Z) - SpaRC-AD: A Baseline for Radar-Camera Fusion in End-to-End Autonomous Driving [5.343552118560704]
SpaRC-ADは、計画指向の自律運転のためのクエリベースのエンドツーエンドカメラレーダ融合フレームワークである。
本手法は、複数の自律運転タスクにおいて、最先端のビジョンのみのベースラインよりも強力な改善を実現する。
論文 参考訳（メタデータ） (2025-08-14T12:02:41Z) - Edge-Based Multimodal Sensor Data Fusion with Vision Language Models (VLMs) for Real-time Autonomous Vehicle Accident Avoidance [12.513296074529727]
本稿では,自律走行のためのリアルタイムエッジベース自律走行軌道プランナ(REACT)を提案する。
REACTは、微調整軽量ビジョンランゲージモデル(VLM)に基づくADのためのV2X統合軌道最適化フレームワークである。
DeepAccidentベンチマークで評価されたREACTは、最先端の性能、77%の衝突率の低減、48.2%のビデオパノプティクス品質(VPQ)、およびJetson AGX Orinでの0.57秒の推論遅延を実現している。
論文 参考訳（メタデータ） (2025-08-01T20:16:04Z) - Hydra-NeXt: Robust Closed-Loop Driving with Open-Loop Training [64.16445087751039]
Hydra-NeXtは、軌道予測、制御予測、軌道修正ネットワークを一つのモデルに統合する、新しいマルチブランチ計画フレームワークである。
Hydra-NeXt は22.98 DS と 17.49 SR を上回り、自動運転の大幅な進歩を示している。
論文 参考訳（メタデータ） (2025-03-15T07:42:27Z) - 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) - Edge-Assisted ML-Aided Uncertainty-Aware Vehicle Collision Avoidance at Urban Intersections [12.812518632907771]
都市横断路におけるプリエンプティブ衝突を検出する新しい枠組みを提案する。
5Gネットワークのマルチアクセスエッジコンピューティングプラットフォームを利用する。
論文 参考訳（メタデータ） (2024-04-22T18:45:40Z) - Fusion-GRU: A Deep Learning Model for Future Bounding Box Prediction of
Traffic Agents in Risky Driving Videos [20.923004256768635]
Fusion-Gated Recurrent Unit (Fusion-GRU)は、将来のバウンディングボックスローカライゼーションのための新しいエンコーダデコーダアーキテクチャである。
提案手法は, ROL と HEV-I の2つの公開データセットを用いて評価する。
論文 参考訳（メタデータ） (2023-08-12T18:35:59Z) - Deep Structured Reactive Planning [94.92994828905984]
自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。
本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
論文 参考訳（メタデータ） (2021-01-18T01:43:36Z)
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。