論文の概要: G2DP: Diffusion Planning with Spatio-Temporal Grid Guidance
- arxiv url: http://arxiv.org/abs/2606.26017v1
- Date: Wed, 24 Jun 2026 16:38:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.397563
- Title: G2DP: Diffusion Planning with Spatio-Temporal Grid Guidance
- Title（参考訳）: G2DP:時空間グリッド誘導による拡散計画
- Abstract要約: 自律運転において、拡散に基づくプランナーは、密集した対話的な交通におけるロバストな動き計画のための有望なパラダイムとして現れてきた。
既存のガイダンスは、通常、スパースでエンティティ中心の幾何学的クエリやポストホックの洗練に依存し、インタラクティブなシーンにおいて限られた認識と脆弱なパフォーマンスをもたらす。
G2DP(GuidedGrid-Guided Planning)は,経路時マップによる確率的将来の占領指導を融合させることにより,時間的費用の変動を図っている。
nuPlanの最先端のパフォーマンスを達成し、リアクティブトランスファーにおいて、最強の模倣学習ベースラインを+7.2ポイント上回る。
- 参考スコア（独自算出の注目度）: 44.0166619948181
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In autonomous driving, diffusion-based planners have emerged as a promising paradigm for robust motion planning in dense and interactive traffic, as they can effectively model diverse driving behaviors. However, their inherent stochasticity often requires explicit guidance during denoising to ensure safety and route adherence for robust closed-loop execution. Existing guidance typically relies on sparse, entity-centric geometric queries or post-hoc refinement, yielding limited situational awareness and fragile performance in interactive scenes. To address this issue, we propose G2DP (Grid-Guided Diffusion Planning), a diffusion-based planner that directly enforces dense environmental constraints through inference-time guidance. Specifically, G2DP constructs a differentiable spatio-temporal cost volume by fusing probabilistic future occupancy distributions with a route-progress map. By formulating this volume as a continuous safety energy functional, it injects dense gradients directly into the denoising loop, actively steering trajectory generation toward collision-free and progress-optimal regions. Extensive closed-loop evaluations show that G2DP achieves state-of-the-art performance on nuPlan, outperforming the strongest imitation-learning baseline by +7.2 points in reactive score. It further maintains top scores in zero-shot transfers to interPlan and DeepScenario benchmarks, with collision avoidance improving by +10.15 over the unguided approach on interPlan. These results demonstrate that spatio-temporal cost grids serve as an effective representation for robust guidance in diffusion-based planning.
- Abstract（参考訳）: 自律運転において、拡散に基づくプランナーは、多種多様な運転動作を効果的にモデル化できるため、密で対話的な交通におけるロバストな運動計画のための有望なパラダイムとして現れてきた。
しかしながら、その固有の確率性は、堅牢なクローズドループ実行の安全性とルートアテンデンスを保証するために、デノナイズ中に明示的なガイダンスを必要とすることが多い。
既存のガイダンスは、通常、スパースでエンティティ中心の幾何学的クエリやポストホックの洗練に依存し、対話的なシーンにおいて限られた状況認識と脆弱なパフォーマンスをもたらす。
本稿では,G2DP(Grid-Guided Diffusion Planning)を提案する。
具体的には、G2DPは、確率論的将来の占有率分布を経路プログレスマップで融合させることにより、時空間の異なるコストボリュームを構築する。
この体積を連続的な安全エネルギー関数として定式化することにより、密度勾配を直接デノナイジングループに注入し、衝突のないおよび進行最適領域に向けて積極的に軌道生成を行う。
大規模クローズループ評価では、G2DPはnuPlan上での最先端のパフォーマンスを達成し、反応スコアの+7.2ポイントで最強の模倣学習ベースラインを上回っている。
さらに、InterPlanおよびDeepScenarioベンチマークへのゼロショット転送におけるトップスコアを維持でき、InterPlanに対する無誘導アプローチよりも衝突回避率が+10.15向上した。
これらの結果から,時空間のコストグリッドが拡散計画におけるロバストガイダンスの効果的な表現であることが示された。
関連論文リスト
- One Diffusion Model, Two Roles: Guided Trajectory Planning and Safety-Critical Scenario Generation in Closed-Loop Simulation [4.570068778162319]
本研究では,1つの事前学習拡散交通モデルが,自律走行開発ループにおいて2つの補完的な役割を果たすことを示す。
計画面では,単一ストリームデュアルストリーム(SSDS)拡散変換器デコーダを導入する。
我々は,制御可能なシナリオジェネレータと同じ拡散モデルを用いて,クローズドループ評価のためのリアルなロングテール駆動インタラクションを生成する。
論文 参考訳（メタデータ） (2026-09-04T09:22:54Z) - Shift & Drift: A Zero-Shot Benchmark for Generalizable and Robust Autonomous Driving Motion Planning [60.888463449435484]
シフト・アンド・ドリフト(Shift & Drift)は、分散シフトの2つの重要な軸にまたがる、厳密なストレス-テスト運動プランナーのための新しいデュアルトラックベンチマークである。
擬似学習手法は,IDベンチマークにおいて高いスコアを得るが,時間的に相関したアクティベーションノイズを受けると持続的なドリフトに悩まされることを示す。
本研究は, 模擬忠実度と閉ループレジリエンスのトレードオフを実証的に明らかにし, 信頼性の高い展開に向けた進捗を評価するための厳密なベンチマークをコミュニティに提供する。
論文 参考訳（メタデータ） (2026-07-08T18:23:48Z) - Diffusion Forcing Planner: History-Annealed Planning with Time-Dependent Guidance for Autonomous Driving [5.572022450868073]
Diffusion Forcing Planner (DFP) は、歴史誘導制御によって駆動される拡散ベースの計画フレームワークである。
DFPは全軌道を歴史、現在、将来のセグメントに分解し、各セグメントに独立したノイズレベルを割り当てる。
論文 参考訳（メタデータ） (2026-06-09T15:56:41Z) - Bridging Predictive Uncertainty and Safe Action: Sample-Conditioned Differentiable Planning for Autonomous Driving [46.91409391705346]
複雑でダイナミックでインタラクティブな運転環境は、自動運転に重大な課題をもたらす。
現在のシステムにおける基本的なボトルネックは、高度に表現力のある不確実性モデリングと解釈可能な安全な動き計画との切り離しである。
本稿では, このギャップを埋めるために, 拡散生成将来の軌道を最適化プロセスに明示的に組み込む, サンプル条件付き微分可能計画フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-02T08:10:02Z) - MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。
本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。
MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
論文 参考訳（メタデータ） (2026-05-13T23:35:14Z) - RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework [49.531001563853984]
RAD-2はクローズドループ計画のための統一されたジェネレータ・ディスクリミネーターフレームワークである。
様々な軌道候補を生成する一方、RL最適化判別器は、これらの候補を長期的な運転品質に応じて再現する。
強い拡散ベースのプランナーに比べて衝突速度を56%削減する。
論文 参考訳（メタデータ） (2026-04-16T17:59:44Z) - Amortizing Trajectory Diffusion with Keyed Drift Fields [2.5352713493505785]
キード・ドリフト・ポリシーズ (Keyed Drifting Policies) は、ドリフトフィールドの目標で訓練された1ステップの軌道生成装置である。
生成されたトラジェクトリを条件マッチングされたデータセットウィンドウに反映する。
1ステップの推論で高い性能を達成し、拡散サンプリングよりも計画遅延を大幅に低減する。
論文 参考訳（メタデータ） (2026-03-14T17:56:15Z) - PC-Diffuser: Path-Consistent Capsule CBF Safety Filtering for Diffusion-Based Trajectory Planner [15.914164951048614]
PC-Diffuserは、拡散計画のデノイングループに直接パス一貫性のあるバリア関数構造を組み込む安全強化フレームワークである。
車両形状をよりよく反映するカプセル距離バリア関数を用いて衝突リスクを評価する。
自転車の車体モデルの下で、識別されたウェイポイントを動的に実現可能な運動に変換する。
論文 参考訳（メタデータ） (2026-03-11T01:52:56Z) - Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。
Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-05-23T09:22:19Z) - 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) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z)
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。