論文の概要: Mind the Privileged-to-Camera Gap: Actor-Centric Sidecar Supervision for Camera-First Open-Loop Waypoint Prediction

• arxiv url: http://arxiv.org/abs/2606.20772v1
• Date: Thu, 18 Jun 2026 15:38:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 12:59:49.045435
• Title: Mind the Privileged-to-Camera Gap: Actor-Centric Sidecar Supervision for Camera-First Open-Loop Waypoint Prediction
• Title（参考訳）: プリンシパル・ツー・カメラ・ギャップ:カメラファーストのオープン・ループ・ウェイポイント予測のためのアクター中心サイドカー・スーパービジョン
• Abstract要約: カメラファーストの自律走行モデルは、画像、エゴステート機能、ルートコマンドから将来のエゴウェイポイントを予測する。 我々はこれをオープンループのウェイポイント予測のための教師付き表現学習として研究する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Camera-first autonomous-driving models predict future ego waypoints from images, ego-state features, and route commands, but waypoint supervision alone does not explicitly supervise actor-level representations of nearby road users. We study this as supervised representation learning for open-loop waypoint prediction. The deployable model uses multi-view RGB, ego state, and route command at inference. During training, simulator-derived sidecar labels supervise actor grounding, privileged hindsight actor relevance relative to the logged ego trajectory, and selected-actor short-horizon motion; these labels are never inference inputs. We evaluate route-disjoint splits with matched architecture, optimizer, validation criterion, checkpoint selection, and three seeds. A plain waypoint-only RGB baseline obtains 1.815$\pm$0.02 m final displacement error (FDE), and the matched no-teacher non-sidecar RGB control obtains 1.716$\pm$0.02 m. Road-user sidecar supervision (RU-sidecar) reduces FDE to 1.223$\pm$0.01 m, a 32.6% reduction over the plain baseline and 28.7% over the matched no-teacher non-sidecar RGB control. It improves over the plain baseline on 1445/1494 routes and over the matched no-teacher non-sidecar RGB control on 1417/1494 routes. Actor-conditioned slices show gains in all nonempty subsets, including 29.1% reduction for samples with at least four valid sidecar actors and 30.0% when a vulnerable road user is present. Optional simulator-state teacher alignment reaches 1.186$\pm$0.15 m FDE, but higher seed variability makes it secondary. Non-deployable simulator-state diagnostics remain stronger, indicating a privileged-to-camera gap. The evidence is limited to open-loop simulation diagnostics.
• Abstract（参考訳）: カメラファーストの自律走行モデルは、画像、エゴステート機能、ルートコマンドから将来のエゴ・ウェイポイントを予測するが、ウェイポイントの監督だけでは、近隣の道路利用者のアクターレベルの表現を明示的に監督するものではない。 我々はこれをオープンループのウェイポイント予測のための教師付き表現学習として研究する。 デプロイ可能なモデルは、マルチビューRGB、ego状態、推論時のルートコマンドを使用する。 トレーニング中、シミュレーター由来のサイドカーラベルは、アクターグラウンドングを監督し、ログ化されたエゴ軌道に対する特権的な後見アクターの関連性、選択されたアクターのショートホライゾン運動を監督し、これらのラベルは推論入力ではない。 一致したアーキテクチャ,オプティマイザ,バリデーション基準,チェックポイント選択,および3つのシードを用いて経路不整合分割を評価する。 平易なウェイポイントのみのRGBベースラインは1.815$\pm$0.02mの最終変位誤差(FDE)を取得し、マッチした非教師のRGBコントロールは1.716$\pm$0.02mを得る。 道路利用者のサイドカー監督(RUサイドカー)はFDEを1.223$\pm$0.01mに減らし、ベースラインの32.6%を減らし、非教師のRGBコントロールの28.7%を減らした。 1445/1494系統のベースラインを改良し、1417/1494系統の教師なしの非サイドカーRGB制御を改良した。 アクター条件のスライスでは全ての空でないサブセットが増加しており、少なくとも4人の有効なサイドカーアクターを持つサンプルの29.1%が減少し、脆弱な道路利用者が存在する場合の30.0%が減少している。 任意のシミュレーター状態の教師のアライメントは1.186$\pm$0.15 m FDEに達するが、高い種子の変動により二次的である。 非デプロイ可能なシミュレーター-ステート診断は依然として強力であり、特権とカメラのギャップが示される。 証拠はオープンループシミュレーション診断に限られている。

関連論文リスト

• GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
  本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。 制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。 それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
  論文  参考訳（メタデータ） (2026-09-04T17:16:48Z)
• Interpretable Fuzzy Inference for UAV Target Tracking Using Bounding-Box Geometry [0.528933036850801]
  YOLOボックスから抽出した低次元特徴から連続ヨーコマンドを生成する解釈可能なファジィ推論フレームワークを提案する。 その結果、このフレームワークは透過的で、データ効率が高く、計算量も軽量であり、リアルタイムの視覚に基づくUAV誘導に適していることが判明した。
  論文  参考訳（メタデータ） (2026-08-04T18:18:29Z)
• Pictura: Perspective-View Self-Play at Scale for Driving [80.56728858364484]
  我々はGPUアクセラレーション駆動シミュレータであるPicturaを紹介し、各エージェントのエゴセントリックなビューを各ステップでレンダリングする。 Picturaは、単一のH100上で最大500Kのエージェントステップ/s(2Mイメージ/s)を持続する。 これは、特権的な観察なしに視点画像から直接訓練された最初の大規模自動運転政策である。
  論文  参考訳（メタデータ） (2026-07-28T17:20:39Z)
• Robostral Navigate [138.74472687550374]
  Robostral Navigateは、大規模なナビゲーションシステムのための視覚言語モデルである。 モノラルなRGB画像のストリームのみを消費し、現在のカメラビューの次のターゲット位置を指して、ウェイポイントを予測する。 我々は、実世界のデータ収集への依存を減らすため、350kのシミュレートされたシーンに240万のトラジェクトリを生成します。
  論文  参考訳（メタデータ） (2026-07-22T23:13:05Z)
• 3D Lane Detection with Odometry for High-Speed Vehicle Racing [1.9116784879310027]
  レーン境界検出は自律運転システムにおいて重要な要素であり、通常の運転シナリオにおいて厳密に研究されている。 レースにおける3Dレーン検出のための新しいデータセットを導入し、複数のカメラフィードから250$k以上の画像と、閉回路上でLexus LC 500を駆動する慣性測定を行った。 本研究では,F1スコアを3ポイント改善し,車体近傍平均絶対誤差(MAE)を30%以上削減した。
  論文  参考訳（メタデータ） (2026-07-15T18:07:27Z)
• Green for Go, Red for No: Visual Grounding via Semantic Segmentation for VLA Navigation Policies [4.796492358527836]
  視覚言語アクション(VLA)モデルは、自然言語と視覚目標からのロボットナビゲーションを可能にする。 本稿では,VLAナビゲーションポリシーの視覚的接地に関する最初の経験的評価について述べる。
  論文  参考訳（メタデータ） (2026-07-06T14:11:27Z)
• Spatially Grounded Concept Bottleneck Models via Part-Factorized Attention [0.2578242050187029]
  概念ボトルネックモデル(CBM)は、クラスを予測する前に、人名属性の層を予測する。 この研究は、その自由を建設によって取り除く部分分解型CBMの研究である。
  論文  参考訳（メタデータ） (2026-06-03T02:28:42Z)
• Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
  Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。 VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。 3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
  論文  参考訳（メタデータ） (2026-04-23T09:11:50Z)
• Vision-Language Cross-Attention for Real-Time Autonomous Driving [1.9116784879310027]
  XYZ-Driveは、フロントカメラフレームを読み、25m$times$25mのオーバーヘッドマップと次のウェイポイントを出力し、ステアリングとスピードを出力する単一の視覚言語モデルである。 軽量な目標中心のクロスアテンション層では、融合トークンが部分的に微調整されたLLaMA-3.2 11Bモデルに入る前に、ウェイポイントトークンが関連する画像とマップパッチをハイライトすることができる。
  論文  参考訳（メタデータ） (2025-07-30T19:51:23Z)
• ParkFormer: A Transformer-Based Parking Policy with Goal Embedding and Pedestrian-Aware Control [8.713707183974304]
  自動駐車のためのトランスフォーマーベースのエンドツーエンドフレームワークは、専門家によるデモンストレーションから学ぶ。 ネットワークは、入力されたサラウンドビューカメライメージ、ゴールポイント表現、エゴ車両の動き、および歩行者軌道として捉えている。 実験の結果, 平均位置誤差は0.21m, 方位誤差は0.41度, 96.57%であった。
  論文  参考訳（メタデータ） (2025-06-20T09:14:09Z)
• Learning Self-Regularized Adversarial Views for Self-Supervised Vision Transformers [105.89564687747134]
  本稿では,自己監督型視覚変換器のビューを学習するための自己正規化自動拡張手法を提案する。 まず、ビューとネットワークパラメータを同時に学習することで、AutoViewの検索コストをほぼゼロに削減する。 また、自己教師型学習のための強化政策探索空間も提示する。
  論文  参考訳（メタデータ） (2022-10-16T06:20:44Z)
• Semantic Segmentation for Autonomous Driving: Model Evaluation, Dataset Generation, Perspective Comparison, and Real-Time Capability [0.0]
  FasterSegは、自動運転車の低消費電力(組み込み)デバイスでリアルタイムに使用できるほど高速である。 1対1で320倍256$のインプットで、FasterSegは$65.44,%の平均インターセクション(mIoU)を達成した。 鳥の視線から320倍256ドルを入力するために、FasterSegは64.08,% mIoUを達成している。
  論文  参考訳（メタデータ） (2022-07-26T14:45:44Z)
• Lateral Ego-Vehicle Control without Supervision using Point Clouds [50.40632021583213]
  既存の視覚に基づく横方向の車両制御に対する教師付きアプローチは、RGB画像を適切な操舵コマンドに直接マッピングすることができる。 本稿では、横方向の車両制御のための、より堅牢でスケーラブルなモデルをトレーニングするためのフレームワークを提案する。 オンライン実験により,本手法の性能は教師付きモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-20T21:57:32Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• Towards Autonomous Driving: a Multi-Modal 360$^{\circ}$ Perception Proposal [87.11988786121447]
  本稿では,自動運転車の3次元物体検出と追跡のためのフレームワークを提案する。 このソリューションは、新しいセンサ融合構成に基づいて、正確で信頼性の高い道路環境検出を提供する。 自動運転車に搭載されたシステムの様々なテストは、提案された知覚スタックの適合性を評価することに成功している。
  論文  参考訳（メタデータ） (2020-08-21T20:36:21Z)
• Road Curb Detection and Localization with Monocular Forward-view Vehicle Camera [74.45649274085447]
  魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。 我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
  論文  参考訳（メタデータ） (2020-02-28T00:24:18Z)

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。