論文の概要: Test-Time Trajectory Optimization for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2606.07170v1
• Date: Fri, 05 Jun 2026 11:39:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.713057
• Title: Test-Time Trajectory Optimization for Autonomous Driving
• Title（参考訳）: 自律走行のためのテスト時間軌道最適化
• Authors: Yihong Xu, Eloi Zablocki, Yuan Yin, Elias Ramzi, Ellington Kirby, Alexandre Boulch, Matthieu Cord,
• Abstract要約: 自動運転のためのエンド・ツー・エンドのプランナーは、通常、一連の候補軌跡を生成し、それぞれをスコアし、最高スコアの候補を返す。 我々は、スコアラを学習軌跡レベルの報酬関数として扱い、それを最大化する軌跡を探索する。 提案手法であるTOAD(Cross-Entropy Method:クロスエントロピー法)をテスト時に実行し,プランナーの提案からウォームスタートする。
• 参考スコア（独自算出の注目度）: 77.87162309994567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: End-to-end planners for autonomous driving typically generate a set of candidate trajectories, score each one, and return the highest-scoring candidate. However, the scorer is applied only after the proposals are generated and cannot influence the set of trajectories: a weak set of candidates limits planning performance regardless of the scorer's quality. We instead treat the scorer as a learned trajectory-level reward function and search for trajectories that maximize it. Our method, TOAD, runs the Cross-Entropy Method at test time, warm-started from the planner's proposals. It requires no retraining and is plug-and-play for existing planners. Across six base planners, TOAD improves results on NAVSIM-v1 (94.7 PDMS), NAVSIM-v2 (56.3 EPDMS), and the closed-loop HUGSIM benchmark. The code will be made publicly available via the project page: https://valeoai.github.io/TOAD/.
• Abstract（参考訳）: 自動運転のためのエンド・ツー・エンドのプランナーは、通常、一連の候補軌跡を生成し、それぞれをスコアし、最高スコアの候補を返す。 しかし、スコアラは提案が生成されてからのみ適用され、トラジェクトリの集合に影響を与えることはなく、弱い候補セットはスコアラの品質に関わらず計画性能を制限する。 代わりに、スコアラを学習軌跡レベルの報酬関数として扱い、それを最大化する軌跡を探索する。 提案手法であるTOAD(Cross-Entropy Method:クロスエントロピー法)をテスト時に実行し,プランナーの提案からウォームスタートする。 再トレーニングは不要で、既存のプランナーのプラグイン・アンド・プレイである。 6つのベースプランナーで、TOADはNAVSIM-v1 (94.7 PDMS)、NAVSIM-v2 (56.3 EPDMS)、および閉ループHUGSIMベンチマークの結果を改善する。 コードはプロジェクトのページから公開される。

関連論文リスト

• CLOVER: Closed-Loop Value Estimation and Ranking for End-to-End Autonomous Driving Planning [11.2767413780552]
  CLOVERはエンドツーエンドの自動運転計画のためのフレームワークである。 ジェネレータは多様な候補軌道を生成し、スコアは計画値のサブスコアを予測する。 ジェネレータは教師が選択したトップ$とベクターParetoターゲットに洗練される。
  論文  参考訳（メタデータ） (2026-05-14T17:32:18Z)
• 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)
• LLaViDA: A Large Language Vision Driving Assistant for Explicit Reasoning and Enhanced Trajectory Planning [28.59507336524504]
  軌道計画は、自律運転の基本的かつ挑戦的な要素である。 物体の動き予測に視覚言語モデル(VLM)を利用するLLaViDAを提案する。 NuScenesベンチマークでは、LLaViDAは最先端のエンドツーエンドおよび最近のVLM/LLMベースのベースラインを超越して、オープンループ軌道計画タスクを実行している。
  論文  参考訳（メタデータ） (2025-12-20T04:38:35Z)
• Autonomous Vehicle Path Planning by Searching With Differentiable Simulation [55.46735086899153]
  計画では、エージェントが現実世界で実行する前に、アクションを安全に洗練することができる。 自動運転では、衝突を避け、複雑な密集した交通シナリオをナビゲートすることが不可欠である。 本稿では、微分可能シミュレータWaymaxを次の状態予測と批判の両方として活用するフレームワークである、微分可能探索シミュレーション(DSS)を提案する。
  論文  参考訳（メタデータ） (2025-11-14T07:56:34Z)
• Tree-Guided Diffusion Planner [31.664192839205608]
  事前訓練された拡散を伴う計画がテストタイム誘導制御問題に対する有望なアプローチとして浮上した。 本研究では、構造化軌道生成による探索と利用のバランスをとるゼロ時間テストタイム計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-29T17:27:44Z)
• AlphaZeroES: Direct score maximization outperforms planning loss minimization [61.17702187957206]
  実行時の計画では、シングルエージェントとマルチエージェントの両方の設定でエージェントのパフォーマンスが劇的に向上することが示されている。 実行時に計画するアプローチのファミリは、AlphaZeroとその変種で、Monte Carlo Tree Searchと、状態値とアクション確率を予測することによって検索をガイドするニューラルネットワークを使用する。 複数の環境にまたがって、エピソードスコアを直接最大化し、計画損失を最小限に抑えることを示す。
  論文  参考訳（メタデータ） (2024-06-12T23:00:59Z)
• Path Planning in a dynamic environment using Spherical Particle Swarm Optimization [0.0]
  本研究では, 球面ベクトルを用いた粒子群最適化技術を用いたUAV用動的パスプランナ(DPP)を提案する。 経路は、チェックポイントを再計画する一組の経路として構築されている。経路長、安全、姿勢、経路平滑性はすべて、最適な経路がどうあるべきかを決定する上で考慮される。 実際のデジタル標高モデルを用いて4つのテストシナリオが実施される。それぞれのテストは、SPSO-DPPが安全で効率的な経路セグメントを生成することができるかを示すために、パスの長さと安全性に異なる優先順位を与える。
  論文  参考訳（メタデータ） (2024-03-19T13:56:34Z)
• Time-Optimal Planning for Quadrotor Waypoint Flight [50.016821506107455]
  立方体の作動限界における時間-最適軌道の計画は未解決の問題である。 四重項のアクチュエータポテンシャルをフル活用する解を提案する。 我々は、世界最大規模のモーションキャプチャーシステムにおいて、実世界の飛行における我々の方法を検証する。
  論文  参考訳（メタデータ） (2021-08-10T09:26:43Z)
• It Is Not the Journey but the Destination: Endpoint Conditioned Trajectory Prediction [59.027152973975575]
  フレキシブルな人間の軌道予測のための予測条件付きネットワーク(PECNet)を提案する。 PECNetは長距離マルチモーダル軌道予測を支援するために遠方のエンドポイントを推論する。 我々は、PECNetがスタンフォードドローン軌道予測ベンチマークの最先端性能を20.9%改善し、ETH/UCYベンチマークの40.8%向上したことを示す。
  論文  参考訳（メタデータ） (2020-04-04T21:27:13Z)

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。