論文の概要: An Exposure-Time-Aligned Primary-Path Architecture for Autonomous-Driving ECUs
- arxiv url: http://arxiv.org/abs/2606.10856v1
- Date: Tue, 09 Jun 2026 13:33:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.03978
- Title: An Exposure-Time-Aligned Primary-Path Architecture for Autonomous-Driving ECUs
- Title（参考訳）: 自律型ECUのための露光時間アライメントプライマリパスアーキテクチャ
- Abstract要約: モジュールパイプラインとE2Eパスを並べてサポートするアーキテクチャを設計し、ステージ化されたマイグレーションのためのパスを埋め込む。
デュアルSoCのAD-ECUでは、350msの設計予算の中で平均296msでカメラシャッターをプランナー出力の遅延に閉じる。
- 参考スコア（独自算出の注目度）: 2.000834478067184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While end-to-end (E2E) autonomous driving has become the dominant research direction, production vehicles continue to rely on modular multi-NN pipelines for a non-trivial transitional period. The subject of this paper is the design of an architecture that, during this phase, supports a modular pipeline and an E2E path side by side and embeds a path for staged migration. Transplanted to a production SoC, egalitarian late fusion is compute-inefficient and offers no natural unit for staged E2E substitution. As an alternative, we propose three design principles: (i) Primary-Path, which explicitly selects a primary perception chain and prioritizes its enclosure within a single SoC pair over the non-critical paths (ii) Exposure-Time-Aligned, which propagates the primary sensor's exposure time $τ_{\rm exp}$ as a tag along the chain and event-drives the fusion node on matched $τ_{\rm exp}$ rather than a fixed cycle and (iii) Co-Path Coexistence, which, building on (i) and (ii), lets an E2E output path co-run with the modular pipeline within the same $τ_{\rm exp}$ cycle. On a Dual-SoC production AD-ECU, the implementation closes camera-shutter to planner-output latency at a mean of 296 ms within the 350 ms design budget. Under (iii), the modular pipeline is primary at production launch and the E2E path runs as shadow on real vehicles, and the E2E scope is expanded as evaluation evidence accumulates.
- Abstract（参考訳）: エンド・ツー・エンド(E2E)自動運転が研究の主流となっている一方で、生産車両は非自明な移行期間にわたってモジュラーマルチNNパイプラインに依存し続けている。
本稿では,モジュールパイプラインとE2Eパスを並べてサポートし,段階的マイグレーションのためのパスを埋め込むアーキテクチャの設計について述べる。
SoCの生産物に移植され、平等後期核融合は計算非効率であり、段階的なE2E置換には自然な単位を提供しない。
代替として、私たちは3つの設計原則を提案します。
一 一次認識連鎖を明示的に選択し、非臨界経路上の一対のSOCにおける囲いを優先するプライマリパス
(ii) 一次センサの露出時間$τ_{\rm exp}$をチェーンに沿ってタグとして伝播し、固定サイクルではなく、マッチした$τ_{\rm exp}$で融合ノードをイベント駆動する。
三 共同パス共存、これに基づくもの
(i)および
(ii) E2E出力パスを同じ$τ_{\rm exp}$サイクル内でモジュールパイプラインと共走させる。
デュアルSoCのAD-ECUでは、350msの設計予算の中で平均296msでカメラシャッターをプランナー出力の遅延に閉じる。
地下
(iii) モジュールパイプラインは生産開始時に主要であり、E2E経路は実車の影として動作し、評価証拠が蓄積されるにつれてE2E範囲が拡大される。
関連論文リスト
- Accelerating Unified Multimodal Models with Core-Expansion Routing and Unified Computation Scheduling [61.28599393707943]
統一マルチモーダルモデルは、理解と生成を共同でサポートするが、トークン、レイヤ、生成タイムステップ間でかなりの冗長な計算を行う。
本稿では,タスク共有型コアスコアラと進行条件付き生成拡張を提案し,生成分解とクロスタスクコアアライメントを最適化した。
2つの代表的UMMアーキテクチャの実験では、両タスク間で一貫した品質改善が示され、98.03%の高密度な理解性能を維持し、エンドツーエンドの推論速度は1.93times$である。
論文 参考訳（メタデータ） (2026-08-29T14:27:55Z) - DriveAnchor: Progressive Anchor-based Flow Learning for Autonomous Driving Planning [6.848508447210393]
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。
論文 参考訳（メタデータ） (2026-05-30T04:17:59Z) - CaMBRAIN: Real-time, Continuous EEG Inference with Causal State Space Models [37.86790434630698]
本稿では,脳波信号のリアルタイム推測が可能な最初のコーサル,マンバをベースとした状態空間モデルであるCaMBRAINを提案する。
CaMBRAINは、既存のモデルよりも10倍高いスループットを持つ3つの異なるEEGデータセットにわたる、最先端(SOTA)結果を達成する。
論文 参考訳（メタデータ） (2026-05-27T17:50:36Z) - An Open-Source Modular Benchmark for Diffusion-Based Motion Planning in Closed-Loop Autonomous Driving [6.095431709661074]
拡散に基づく運動プランナーは、nuPlanのようなベンチマークで最先端の結果を得た。
しかし、クローズドループ生産における自動運転スタックの評価は、まだ明らかにされていない。
両ギャップに対処するオープンソースのモジュラーベンチマークを提示する。
論文 参考訳（メタデータ） (2026-03-01T10:07:35Z) - DriveMamba: Task-Centric Scalable State Space Model for Efficient End-to-End Autonomous Driving [47.573692944838115]
DriveMambaは、効率的なE2E-ADのためのタスク中心のスケーラブルパラダイムである。
シーケンシャルなタスク関係モデリング、暗黙の対応学習、長期の時間的融合を単一ステージのUnified Mambaデコーダに統合する。
nuScenesとBench2Driveデータセットで実施された大規模な実験は、DriveMambaの優位性、一般化性、および大幅な効率性を実証している。
論文 参考訳（メタデータ） (2026-02-09T11:48:29Z) - 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) - Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。
我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
論文 参考訳（メタデータ） (2024-06-06T09:12:30Z) - Internal Language Model Adaptation with Text-Only Data for End-to-End
Speech Recognition [80.32546870220979]
テキストのみのデータを用いたE2Eモデルの内部LM適応(ILMA)を提案する。
ILMAは、実行時の計算コストを増大させることなく、E2Eモデルの高速テキストのみの適応を可能にする。
30K時間トレーニングされたトランスデューサモデルを用いて実験した結果、ILMAは最大34.9%の単語誤り率削減を達成した。
論文 参考訳（メタデータ） (2021-10-06T23:03:29Z) - A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the
First CARLA Autonomous Driving Challenge [49.976633450740145]
本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。
我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
論文 参考訳（メタデータ） (2020-10-23T18:07:48Z)
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。