論文の概要: Latency Analysis and Optimization of Alpamayo 1 via Efficient Trajectory Generation

• arxiv url: http://arxiv.org/abs/2605.08975v1
• Date: Sat, 09 May 2026 14:34:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.00194
• Title: Latency Analysis and Optimization of Alpamayo 1 via Efficient Trajectory Generation
• Title（参考訳）: 効率的な軌道生成によるAlpamayo 1の遅延解析と最適化
• Abstract要約: 推論に基づくエンドツーエンド自動運転(E2E)は、運転決定の解釈可能性を改善するための有望なアプローチとして登場した。 本稿では,アルパマヨ1を2つの方法で系統的に分析し,改善する。 まず、Alpamayo 1を単一推論システムに再設計することで、軌道の多様性を維持しながら、推論レイテンシを低減する。
• 参考スコア（独自算出の注目度）: 0.8443238959374134
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reasoning-based end-to-end (E2E) autonomous driving has recently emerged as a promising approach to improving the interpretability of driving decisions as it can generate human-readable reasoning together with predicted trajectories. Such approaches commonly generate multiple trajectories to capture diverse future behaviors, and they fall into two categories: (1) multi-reasoning, where one reasoning sequence is generated per trajectory, and (2) single-reasoning, where a single reasoning is shared across all trajectories. The former offers richer diversity at the cost of redundant computation, while the latter is more efficient but is often assumed to sacrifice diversity. Alpamayo 1, a representative system, adopts the multi-reasoning approach and achieves competitive trajectory prediction performance. However, the efficiency of this design remains largely unexplored, making it a well-motivated subject for investigation. In this paper, we systematically analyze and improve Alpamayo 1 in two ways. First, we reduce inference latency while preserving trajectory diversity by redesigning Alpamayo 1 into a single-reasoning system. Through extensive experiments, we find that replacing multi-reasoning with single-reasoning does not meaningfully degrade trajectory diversity. Second, we accelerate diffusion-based action generation by eliminating inter-block overhead arising from unnecessary copy operations and inefficient kernel execution. Through closed-loop and open-loop experiments, we validate both optimizations, demonstrating a 69.23% reduction in inference latency while maintaining trajectory diversity and prediction quality. These results highlight the importance of jointly analyzing system architecture and runtime execution to improve the efficiency of reasoning-based E2E AD systems.
• Abstract（参考訳）: 推論に基づくエンド・ツー・エンド・エンド・エンド・ドライブ(E2E)は、最近、予測された軌跡とともに人間可読推論を生成できるため、運転決定の解釈可能性を改善するための有望なアプローチとして登場した。 このような手法は, 様々な将来の挙動を捉えるために, 一般に複数の軌道を生成するが, それらは, 1つの軌道毎に1つの推論列が生成される多重推論と, 1つの推論列がすべての軌道間で共有される単一推論の2つのカテゴリに分類される。 前者は冗長計算のコストでよりリッチな多様性を提供するが、後者はより効率的であるが、しばしば多様性を犠牲にすると考えられている。 代表システムであるAlpamayo 1は、マルチ推論方式を採用し、競合する軌道予測性能を実現する。 しかし、この設計の効率性はほとんど解明されていないままであり、調査の動機となった。 本稿では,アルパマヨ1を2つの方法で系統的に分析し,改良する。 まず、Alpamayo 1を単一推論システムに再設計することで、軌道の多様性を維持しながら、推論レイテンシを低減する。 広範にわたる実験により、マルチレゾニングを単一レゾニングに置き換えることは、軌道の多様性を有意に低下させるものではないことが判明した。 第2に、不要コピー操作と非効率的なカーネル実行によるブロック間オーバーヘッドを排除し、拡散に基づくアクション生成を高速化する。 クローズドループおよびオープンループ実験により、軌道の多様性と予測品質を維持しながら、推論遅延の69.23%の低減を実証し、両方の最適化を検証した。 これらの結果は、推論に基づくE2E ADシステムの効率を改善するために、システムアーキテクチャとランタイム実行を共同で解析することの重要性を強調している。

関連論文リスト

• TMPO: Trajectory Matching Policy Optimization for Diverse and Efficient Diffusion Alignment [52.570581883709345]
  本稿では,報酬を人間レベルの報酬分布マッチングに置き換えるトラジェクティブマッチングポリシバランス最適化(TMPO)を提案する。 TMPOは最先端の手法に対する生成的多様性を9.1%向上させ、下流および効率の指標で競合性能を達成する。 大規模フロープレフィックスのマルチトラックトレーニング時間を短縮するため、TMPOはDynamic Tree Smplingモデルを導入し、動的にスケジュールされたステップでトラジェクトリがdenoisingとブランチを共有する。
  論文  参考訳（メタデータ） (2026-05-09T04:41:02Z)
• HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
  我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。 我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-04T04:12:47Z)
• DiffusionDriveV2: Reinforcement Learning-Constrained Truncated Diffusion Modeling in End-to-End Autonomous Driving [65.7087560656003]
  エンドツーエンドの自動運転のための生成拡散モデルは、しばしばモード崩壊に悩まされる。 強化学習を利用して低品質モードを制約し,優れた軌道探索を行うDiffusionDriveV2を提案する。 これにより、そのコアであるガウス混合モデル固有の多重モード性を維持しながら、全体的な出力品質が大幅に向上する。
  論文  参考訳（メタデータ） (2025-12-08T17:29:52Z)
• DiffRefiner: Coarse to Fine Trajectory Planning via Diffusion Refinement with Semantic Interaction for End to End Autonomous Driving [28.22372133560876]
  本稿では,新しい2段階軌道予測フレームワークDiffRefinerを提案する。 最初のステージでは、トランスフォーマーベースの提案デコーダを使用して、粗い軌道予測を生成する。 第2段階では拡散精錬器が適用され、これらの初期予測を反復的に復調する。
  論文  参考訳（メタデータ） (2025-11-21T11:16:00Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• EvaDrive: Evolutionary Adversarial Policy Optimization for End-to-End Autonomous Driving [17.57364638932072]
  EvaDriveは、自動運転のための新しい強化学習フレームワークである。 ヒューマンライクな反復的意思決定のためのクローズドループ対向フレームワークを提供する。 NAVSIMとBench2Driveベンチマークの大規模な実験では、SOTAのパフォーマンスが示されている。
  論文  参考訳（メタデータ） (2025-08-05T11:26:28Z)
• Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
  拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。 最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。 提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
  論文  参考訳（メタデータ） (2024-08-01T17:59:59Z)
• GDTS: Goal-Guided Diffusion Model with Tree Sampling for Multi-Modal Pedestrian Trajectory Prediction [15.731398013255179]
  マルチモーダル軌道予測のための木サンプリングを用いたゴールガイド拡散モデルを提案する。 2段階のツリーサンプリングアルゴリズムが提案され、一般的な特徴を活用して推論時間を短縮し、マルチモーダル予測の精度を向上させる。 実験により,提案フレームワークは,公開データセットにおけるリアルタイム推論速度と同等の最先端性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2023-11-25T03:55:06Z)
• Differentiable Bilevel Programming for Stackelberg Congestion Games [47.60156422249365]
  Stackelberg Congestion Game (SCG) において、リーダーは、群集が集まる平衡状態を予測し、操作することで、自身の利益を最大化することを目的としている。 本稿では,従来の手法と機械学習における最新の微分可能プログラミング技術を組み合わせることで,この計算課題に挑戦する。 本稿では,SCGの局所探索アルゴリズムを2つ提案する。第1に,微分可能プログラミングを用いてILDをアンロールすることで導関数を求める勾配降下アルゴリズムを提案する。 第二のアルゴリズムは、フォロワーの進化軌道を短くすることでツイストを加える。
  論文  参考訳（メタデータ） (2022-09-15T21:32:23Z)
• Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
  本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
  論文  参考訳（メタデータ） (2022-03-09T21:08:47Z)

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。