論文の概要: DriveAnchor: Progressive Anchor-based Flow Learning for Autonomous Driving Planning
- arxiv url: http://arxiv.org/abs/2606.00519v1
- Date: Sat, 30 May 2026 04:17:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 15:15:42.947238
- Title: DriveAnchor: Progressive Anchor-based Flow Learning for Autonomous Driving Planning
- Title（参考訳）: DriveAnchor: 自律走行計画のためのプログレッシブアンカーベースフローラーニング
- Authors: Limin Yan, Haoyun Tang, Yutao Qiu, Hongqing Liu, Haoyu Xu,
- Abstract要約: DriveAnchorは、自動運転計画のためのフレームワークである。
構成可能なパイプラインにおいて、振る舞いの多様性、制御可能性、安全性を実現する。
近距離衝突速度を89%削減し、模倣精度を低下させることなく平均報酬を32%改善する。
- 参考スコア（独自算出の注目度）: 6.848508447210393
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present DriveAnchor, a three-stage framework for autonomous driving planning that achieves behavioral diversity, controllability, and safety in a composable pipeline. Demonstration Flow Pretraining replaces the unstructured Gaussian prior with a vocabulary of 2,398 trajectory shapes constructed by farthest-point sampling, structurally grounding behavioral diversity in vocabulary coverage. Guided Flow Post-training jointly post-trains an Energy Field module with flow matching (FM), conditioning the Energy Field on static road geometry alone, to relocate anchors toward user-specified corridor polygons before flow generation, adding controllability without differentiable guidance; after Stage 2, new corridor presets require only Energy Field updates, not FM retraining. Reward-Refined Flow Fine-tuning applies zeroth-order reinforcement learning to align each anchor's output with collision-avoidance objectives: because the flow-matching model is a deterministic feedforward network in single-step mode, each anchor uniquely determines the output trajectory, reducing reward optimization to a direction search in anchor space without log-likelihood computation or ODE-to-SDE conversion. Evaluated on approximately 2 million held-out driving scenarios, DriveAnchor reduces near-range collision rates by 89% and improves mean reward by 32% without degradation in imitation accuracy, with 2.06 ms inference on NVIDIA Drive Orin. DriveAnchor has been validated through real-world vehicle testing, confirming its practicality for production deployment.
- Abstract（参考訳）: DriveAnchorは、自律走行計画のための3段階のフレームワークで、構成可能なパイプラインにおいて、振る舞いの多様性、制御可能性、安全性を実現する。
Demonstration Flow Pretrainingは、未構造化のガウス語を、最遠点サンプリングによって構築された2,398の軌道形状の語彙に置き換える。
ガイドフローポストトレーニングは、フローマッチング(FM)を備えたエナジーフィールドモジュールと共同で、静的道路形状のみにエナジーフィールドを条件付け、フロー生成前にユーザー指定の廊下ポリゴンにアンカーを移動させ、異なるガイダンスなしで制御性を付加する。
Reward-Refined Flow Fine-tuningは、ゼロ階強化学習を適用して、各アンカーの出力を衝突回避目標と整合させる: フローマッチングモデルは単一ステップモードにおける決定論的フィードフォワードネットワークであるため、各アンカーは出力軌跡を一意に決定し、ログのような計算やODE-to-SDE変換なしでアンカー空間の方向探索に対する報酬の最適化を低減する。
約200万のホールドアウト運転シナリオに基づいて評価されたDriveAnchorは、近距離衝突率を89%削減し、平均報酬を32%改善する。
DriveAnchorは実車テストを通じて検証されており、本番配備の実用性を確認している。
関連論文リスト
- FlowS: One-Step Motion Prediction via Local Transport Conditioning [3.883772843505009]
ローカルトランスポートコンディショニングは、安全クリティカルな自律性のために一段階の生成動作予測を実践する。
FlowSは75のアンサンブルを持つ最先端のSoft mAP (0.4804)とmAP (0.4703)を単一ステップ推論で調整する。
論文 参考訳（メタデータ） (2026-04-28T19:06:06Z) - MeanFuser: Fast One-Step Multi-Modal Trajectory Generation and Adaptive Reconstruction via MeanFlow for End-to-End Autonomous Driving [23.013043338076745]
MeanFuserはエンドツーエンドの自動運転方式だ。
GMNを導入し、生成サンプリングをガイドし、MeanFlow Identityをエンドツーエンドプランニングに適用する。
NAVSIMクローズドループベンチマークの実験は、PDMスコアの監督なしにMeanFuserが優れた性能を発揮することを示した。
論文 参考訳（メタデータ） (2026-02-23T17:17:26Z) - FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。
ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。
本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
論文 参考訳（メタデータ） (2026-02-06T03:24:23Z) - 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) - WAM-Flow: Parallel Coarse-to-Fine Motion Planning via Discrete Flow Matching for Autonomous Driving [9.719456684859606]
本稿では,VLAモデルであるWAM-Flowを紹介し,Ego-trajectory Planningをトークン空間上の離散フローマッチングとして利用する。
WAM-Flowは完全に並列で双方向のデノゲーションを実行し、調整可能な計算精度トレードオフによる粗い微細化を可能にする。
これらの結果は、エンド・ツー・エンド・エンドの自律運転に期待できる新しいパラダイムとして離散フローマッチングが確立される。
論文 参考訳（メタデータ） (2025-12-05T19:36:46Z) - Beyond Imitation: Constraint-Aware Trajectory Generation with Flow Matching For End-to-End Autonomous Driving [18.239343348322134]
本稿では,制約付きフローマッチングを利用する新しい計画フレームワークであるCATGを提案する。
CatGは、本質的にモード崩壊を引き起こすフローマッチングプロセスを明示的にモデル化する。
CatGは、生成中の運転攻撃性を制御信号としてパラメータ化し、軌道スタイルの正確な操作を可能にする。
論文 参考訳（メタデータ） (2025-10-30T09:24:34Z) - FlowDrive: Energy Flow Field for End-to-End Autonomous Driving [50.89871153094958]
FlowDriveは、物理的に解釈可能なエネルギーベースのフローフィールドを導入し、セマンティックな前提と安全性をBEV空間にエンコードする新しいフレームワークである。
NAVSIM v2ベンチマークの実験では、FlowDriveが最先端のパフォーマンスを86.3で達成し、安全性と計画品質の両方において以前のベースラインを超えたことが示されている。
論文 参考訳（メタデータ） (2025-09-17T13:51:33Z) - DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。
タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。
シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、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） (2025-03-07T11:41:18Z) - DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。
DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。
適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
論文 参考訳（メタデータ） (2023-10-13T12:22:31Z)
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。