論文の概要: MISTY: High-Throughput Motion Planning via Mixer-based Single-step Drifting
- arxiv url: http://arxiv.org/abs/2604.21489v1
- Date: Thu, 23 Apr 2026 09:50:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.424641
- Title: MISTY: High-Throughput Motion Planning via Mixer-based Single-step Drifting
- Title（参考訳）: MISTY:Mixer-based Single-step Driftingによる高速モーションプランニング
- Authors: Yining Xing, Zehong Ke, Yiqian Tu, Zhiyuan Liu, Wenhao Yu, Jianqiang Wang,
- Abstract要約: MISTYは、純粋な単一ステップ推論で最先端のクローズドループを実現するジェネレーティブモーションプランナーである。
我々は、複雑な進化をトレーニングフェーズにシフトさせる潜在空間の漂流損失を導入する。
MISTYは99FPS以上で動作し、エンドツーエンドのレイテンシは10.1msである。
- 参考スコア（独自算出の注目度）: 19.16655963423315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-modal trajectory generation is essential for safe autonomous driving, yet existing diffusion-based planners suffer from high inference latency due to iterative neural function evaluations. This paper presents MISTY (Mixer-based Inference for Single-step Trajectory-drifting Yield), a high-throughput generative motion planner that achieves state-of-the-art closed-loop performance with pure single-step inference. MISTY integrates a vectorized Sub-Graph encoder to capture environment context, a Variational Autoencoder to structure expert trajectories into a compact 32-dimensional latent manifold, and an ultra-lightweight MLP-Mixer decoder to eliminate quadratic attention complexity. Importantly, we introduce a latent-space drifting loss that shifts the complex distribution evolution entirely to the training phase. By formulating explicit attractive and repulsive forces, this mechanism empowers the model to synthesize novel, proactive maneuvers, such as active overtaking, that are virtually absent from the raw expert demonstrations. Extensive evaluations on the nuPlan benchmark demonstrate that MISTY achieves state-of-the-art results on the challenging Test14-hard split, with comprehensive scores of 80.32 and 82.21 in non-reactive and reactive settings, respectively. Operating at over 99 FPS with an end-to-end latency of 10.1 ms, MISTY offers an order-of-magnitude speedup over iterative diffusion planners while while achieving significantly robust generation.
- Abstract（参考訳）: 安全な自律運転にはマルチモーダル軌道生成が不可欠であるが、既存の拡散ベースプランナーは反復型神経機能評価による高い推論遅延に悩まされている。
本稿では,単一ステップの推論で最先端の閉ループ性能を実現する高スループットな生成運動プランナであるMISTY(Mixer-based Inference for Single-step Trajectory-drifting Yield)を提案する。
MISTYは、環境コンテキストをキャプチャするためにベクトル化されたサブグラフエンコーダと、専門家軌道をコンパクトな32次元ラテント多様体に構造化する変分オートエンコーダと、超軽量のMLP-Mixerデコーダを統合し、二次的注意の複雑さを解消する。
重要なことは、複雑な分布の進化を完全にトレーニングフェーズにシフトさせる潜在空間のドリフト損失を導入することである。
明示的な魅力と反発力の定式化によって、このメカニズムはモデルに、生のエキスパートのデモンストレーションからほとんど欠落しているアクティブなオーバーテイクのような、新規で積極的な操作を合成する権限を与える。
nuPlanベンチマークの広範囲な評価は、MISTYがテスト14の分割に挑戦し、非反応性および反応性の設定でそれぞれ80.32と82.21の総合的なスコアで最先端の結果を得ることを示した。
MISTYは10.1ミリ秒のエンドツーエンドのレイテンシで99FPS以上で動作するが、MISTYは繰り返し拡散プランナーよりも秩序の速いスピードアップを提供すると同時に、非常に堅牢な生成を実現している。
関連論文リスト
- Allo{SR}$^2$: Rectifying One-Step Super-Resolution to Stay Real via Allomorphic Generative Flows [32.29950358173077]
大規模拡散モデルとフローベースモデルの強力な生成先行モデルを活用することで、実世界の超解像(Real-SR)が革新された。
AlloSR$2$は、高忠実な生成リアリズムを維持するために同型生成フローを介して一段階のSR軌道を補正する新しいフレームワークである。
論文 参考訳（メタデータ） (2026-04-21T08:44:40Z) - Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。
Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。
Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-12T14:36:53Z) - From Flow to One Step: Real-Time Multi-Modal Trajectory Policies via Implicit Maximum Likelihood Estimation-based Distribution Distillation [18.70033095161235]
Indicit Likelihood Estimation (IMLE) を用いて条件付きフローマッチングの専門家を高速な単一ステップの学生に蒸留する枠組みを提案する。
双方向のチャンファー距離は、モードカバレッジと忠実度の両方を促進する設定レベルの目的を提供する。
統合認識エンコーダは、さらに多視点RGB、深度、点雲、プロプレセプションを幾何学的認識表現に統合する。
論文 参考訳（メタデータ） (2026-03-10T09:30:05Z) - DRIFT: Diffusion-based Rule-Inferred For Trajectories [15.78457153766977]
非構造環境における移動ロボットの軌道生成は、スムーズで安全な実行と細粒度タスクの終端精度のバランスをとるという、重要なジレンマに直面している。
本稿では、2つの相補的帰納バイアスを統合することで高忠実度参照軌道を生成するための条件付きフレームワークであるDRIFTを提案する。
その結果、DRIFTはこれらの相反する目的を調整し、センチメートルレベルの模倣忠実度(0.041m FDE)と競争滑らか度(27.19 Jerk)を達成することを示した。
論文 参考訳（メタデータ） (2026-03-01T05:54:38Z) - OMP: One-step Meanflow Policy with Directional Alignment [26.114675928221974]
高忠実でリアルタイムな操作のために設計されたワンステップ平均フローポリシー(OMP)。
AdroitとMeta-Worldベンチマークの実験では、OMPは成功率と軌道精度において最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2025-12-22T12:45:35Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。
離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。
本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
論文 参考訳（メタデータ） (2025-08-27T17:59:36Z) - Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。
本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
論文 参考訳（メタデータ） (2025-02-05T20:51:28Z) - 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) - Efficient Text-driven Motion Generation via Latent Consistency Training [21.348658259929053]
非線形逆拡散軌道を解くための動き潜時整合トレーニングフレームワーク(MLCT)を提案する。
これらの拡張を組み合わせることで、非画素モダリティおよび潜在表現空間における安定かつ一貫性のあるトレーニングを実現する。
論文 参考訳（メタデータ） (2024-05-05T02:11:57Z)
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。