論文の概要: Causality-Aware End-to-End Autonomous Driving via Ego-Centric Joint Scene Modeling

• arxiv url: http://arxiv.org/abs/2605.13646v2
• Date: Tue, 19 May 2026 11:58:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.277698
• Title: Causality-Aware End-to-End Autonomous Driving via Ego-Centric Joint Scene Modeling
• Title（参考訳）: Ego-Centric Joint Scene Modelingによる因果認識型エンドツーエンド自動運転
• Authors: Seokha Moon, Minseung Lee, Joon Seo, Jinkyu Kim, Jungbeom Lee,
• Abstract要約: 本稿では、CaADと呼ばれる、因果認識のエンドツーエンド自動運転フレームワークを提案する。 まず,限界予測分岐上に構築されたエゴ中心の合同因果モデリングモジュールを提案する。 第2に,エゴ政策を計画指向閉ループフィードバックと整合させるために,共同モード埋め込みで実装した因果対応政策アライメントステージを採用する。
• 参考スコア（独自算出の注目度）: 20.79524129066014
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: End-to-end autonomous driving, which bypasses traditional modular pipelines by directly predicting future trajectories from sensor inputs, has recently achieved substantial progress. However, existing methods often overlook the causal inter-dependencies in ego-vehicle planning, ignoring the reciprocal relations between the ego vehicle and surrounding agents. This causal oversight leads to inconsistent and unreliable trajectory predictions, especially in interaction-critical scenarios where ego decisions and neighboring agent behaviors must be reasoned about jointly. To address this limitation, we propose CaAD, a Causality-aware end-to-end Autonomous Driving framework that captures these dependencies within a shared latent scene representation. First, we propose an ego-centric joint-causal modeling module that builds on the marginal prediction branch, and learns causal dependencies between the ego vehicle and interaction-relevant agents. Second, we employ a causality-aware policy alignment stage implemented with joint-mode embeddings to align the stochastic ego policy with planning-oriented closed-loop feedback computed from surrounding traffic and map context. On the Bench2Drive and NAVSIM benchmarks, CaAD demonstrates strong closed-loop planning performance, achieving a Driving Score of 87.53 and Success Rate of 71.81 on Bench2Drive, and a PDMS of 91.1 on NAVSIM. The project page is available at https://moonseokha.github.io/CaAD/.
• Abstract（参考訳）: センサ入力からの将来の軌跡を直接予測することで、従来のモジュールパイプラインをバイパスするエンドツーエンドの自律運転は、最近大きな進歩を遂げている。 しかしながら、既存の手法は、エゴ車と周辺エージェントの相互関係を無視して、エゴ車計画における因果関係をしばしば見落としている。 この因果的監視は、特にエゴの決定と近隣のエージェントの振る舞いを共同で推論しなければならない相互作用クリティカルなシナリオにおいて、一貫性がなく信頼できない軌道予測をもたらす。 この制限に対処するために、我々はCaADを提案する。Causalityを意識したエンドツーエンドの自律運転フレームワークで、これらの依存関係を、共有潜在シーン表現内でキャプチャする。 まず,エゴ車と相互作用関連エージェント間の因果関係を学習し,限界予測分岐上に構築したエゴ中心の合同因果モデリングモジュールを提案する。 第2に,共用モード埋め込みにより実装された因果対応政策アライメントステージを用いて,確率的エゴポリシーと,周囲の交通や地図のコンテキストから計算した計画指向閉ループフィードバックとを整合させる。 Bench2Drive と NAVSIM のベンチマークでは、CaAD は強いクローズドループ計画性能を示し、運転スコア 87.53 と成功率 71.81 を Bench2Drive で達成し、PDMS は NAVSIM で91.1 を達成している。 プロジェクトページはhttps://moonseokha.github.io/CaAD/で公開されている。

関連論文リスト

• FocalAD: Local Motion Planning for End-to-End Autonomous Driving [11.37427528557442]
  エンドツーエンドの自動運転では、運動予測は自走車計画において重要な役割を果たす。 既存の手法はしばしばグローバルに集約された動作特徴に依存しており、計画決定は主に少数の局所的相互作用エージェントの影響を受けているという事実を無視している。 本稿では,FocalADを提案する。FocalADは,局所的な動きの表現の強化によって,重要な地域住民とプランニングに焦点をあてた新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-06-13T02:39:01Z)
• 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)
• GenAD: Generative End-to-End Autonomous Driving [13.332272121018285]
  GenADは、ジェネレーティブモデリング問題に自律運転を組み込むジェネレーティブフレームワークである。 本稿では,まず周囲のシーンをマップ対応のインスタンストークンに変換するインスタンス中心のシーントークン化手法を提案する。 次に、変動型オートエンコーダを用いて、軌道先行モデリングのための構造潜在空間における将来の軌道分布を学習する。
  論文  参考訳（メタデータ） (2024-02-18T08:21:05Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
  PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。 我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-11-14T11:53:24Z)

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。