論文の概要: A Stitch in Time Saves Nine: Preserving Policy Compatibility Under Perception Updates in End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2606.21509v1
• Date: Fri, 19 Jun 2026 15:02:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 12:58:22.515127
• Title: A Stitch in Time Saves Nine: Preserving Policy Compatibility Under Perception Updates in End-to-End Autonomous Driving
• Title（参考訳）: 自動運転車における知覚更新による政策適合性の維持
• Authors: Yueyuan Li, Yifei Xiao, Mingyang Jiang, Xiang Zuo, Songan Zhang, Ming Yang,
• Abstract要約: 線形および畳み込み縫合器を含む低複雑さモデル縫合法について検討し、更新された知覚モジュールと凍結した下流ポリシーモジュールとの整合性を復元する。 実験により、縫合は様々な知覚更新の下で下流の運転動作を効果的に保存することを示した。 その結果, モデルステッチリングは, エンド・ツー・エンドの自動運転システムを維持するためのリトレーニングや微調整に代わる, 効果的かつ効率的な代替手段となることが示唆された。
• 参考スコア（独自算出の注目度）: 9.080546565106568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: End-to-end autonomous driving systems tightly couple perception and decision-making through latent representations. Consequently, updates to perception models can alter these representations and degrade the performance of downstream policies that remain fixed. Existing solutions typically rely on policy retraining or architectural decoupling, both of which incur substantial computation and validation costs. In this paper, we formulate the model stitching problem for end-to-end autonomous driving and test the hypothesis that policy compatibility can be preserved through lightweight latent-space alignment. We study low-complexity model stitching methods, including linear and convolutional stitchers, for restoring compatibility between updated perception modules and frozen downstream policy modules. Experiments demonstrate that stitching effectively preserves downstream driving behavior under diverse perception updates, including changes in random initialization, sensor configuration, and training domain. In the most challenging cross-domain setting from nuScenes to CARLA, convolutional stitching retains over 91\% of the no-shift driving score while reducing adaptation time from \SI{22.18}{h} to \SI{0.91}{h}. These results suggest that model stitching provides an effective and computationally efficient alternative to retraining or fine-tuning for maintaining end-to-end autonomous driving systems. The model will be open-sourced upon paper acceptance at https://github.com/SCP-CN-001/model-stitching to support further research and development in autonomous driving.
• Abstract（参考訳）: エンドツーエンドの自動運転システムは、潜在表現を通じて認識と意思決定を密に結合する。 その結果、知覚モデルへの更新は、これらの表現を変更し、修正されたままの下流ポリシーのパフォーマンスを低下させる可能性がある。 既存のソリューションは通常、ポリシーの再訓練やアーキテクチャの分離に依存しており、どちらも相当な計算と検証コストを発生させる。 本稿では,エンド・ツー・エンドの自律運転におけるモデル縫合問題を定式化し,軽量なラテント空間アライメントによりポリシーの整合性を維持することができるという仮説を検証した。 線形および畳み込み縫合器を含む低複雑さモデル縫合法について検討し、更新された知覚モジュールと凍結した下流ポリシーモジュールとの整合性を復元する。 実験により、縫合は、ランダム初期化、センサー構成、トレーニング領域の変更を含む、様々な知覚更新の下で、下流の運転動作を効果的に保存することが示された。 nuScenes から CARLA への最も困難なクロスドメイン設定では、畳み込み縫合は非シフト駆動スコアの91\%以上を保持し、適応時間を \SI{22.18}{h} から \SI{0.91}{h} に短縮する。 これらの結果から, モデルステッチリングは, エンド・ツー・エンドの自律運転システムを維持するための再トレーニングや微調整の代替として, 効果的かつ効率的な代替手段となることが示唆された。 このモデルは、自動運転のさらなる研究と開発を支援するために、https://github.com/SCP-CN-001/model-stitchingで論文を受理してオープンソース化される。

関連論文リスト

• Causality-Aware End-to-End Autonomous Driving via Ego-Centric Joint Scene Modeling [20.79524129066014]
  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。
  論文  参考訳（メタデータ） (2026-05-13T15:06:22Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
  我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。 本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
  論文  参考訳（メタデータ） (2025-03-14T17:59:41Z)
• From Imitation to Exploration: End-to-end Autonomous Driving based on World Model [24.578178308010912]
  RAMBLEは、意思決定を駆動するエンド・ツー・エンドの世界モデルベースのRL方式である。 複雑な動的トラフィックシナリオを処理できる。 CARLA Leaderboard 1.0では、ルート完了率の最先端のパフォーマンスを達成し、CARLA Leaderboard 2.0では38のシナリオをすべて完了している。
  論文  参考訳（メタデータ） (2024-10-03T06:45:59Z)
• 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)
• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)
• DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
  本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。 センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。 我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:01Z)
• Penalty-Based Imitation Learning With Cross Semantics Generation Sensor Fusion for Autonomous Driving [1.2749527861829049]
  本稿では,複数の情報モダリティを統合するために,ペナルティに基づく模倣学習手法を提案する。 最新技術(SOTA)モデルであるInterFuserと比較して,運転スコアが12%以上増加していることが観察された。 本モデルでは, 推論速度を7倍に向上し, モデルサイズを約30%削減しながら, この性能向上を実現している。
  論文  参考訳（メタデータ） (2023-03-21T14:29:52Z)

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。