論文の概要: DriveVer: Lightweight Trajectory Evaluator as Test-Time Verifier for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2607.00399v1
• Date: Wed, 01 Jul 2026 03:50:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.708657
• Title: DriveVer: Lightweight Trajectory Evaluator as Test-Time Verifier for Autonomous Driving
• Title（参考訳）: DriveVer: 自律走行のためのテスト時間検証器としての軽量軌道評価器
• Abstract要約: DriveVerはライトウェイトでプラグ&プレイのTest-Time Verifierで、自動運転システムが高価な重い訓練をすることなく軌道の検証と洗練を可能にする。 本稿では,DriveVerが基本計画モデルの性能を大幅に向上させることを示す。特に,34Mパラメータしか持たない極めてコンパクトなモデルとして,DriveVerは最小の計算オーバーヘッドを導入し,競争力のある結果を得る。
• 参考スコア（独自算出の注目度）: 8.267228986831894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end autonomous driving models often encounter performance bottlenecks, as training-time scaling leads to high computational costs and diminishing marginal returns. Existing planners typically adopt a one-shot generation paradigm, lacking secondary validation and active correction mechanisms to detect and revise suboptimal or unsafe trajectories during inference. To address this issue, we propose DriveVer, a lightweight, plug-and-play Test-Time Verifier that leverages the test-time scaling paradigm to enable autonomous driving systems to validate and refine trajectories without costly and heavy training. We construct a dedicated trajectory dataset based on the NAVSIM benchmark through condition-driven clustering and balanced sampling according to ego-vehicle states and navigation commands. Employing a dual-head architecture, DriveVer efficiently fuses candidate trajectories with multi-view visual representations and ego-vehicle kinematic features to simultaneously predict a safety confidence score and an absolute geometric refinement vector. Extensive experiments on the NAVSIM benchmark show that DriveVer significantly improves the performance of base planning models. Notably, as an extremely compact model with only 34M parameters, DriveVer introduces minimal computational overhead, achieving competitive results while maintaining real-time inference efficiency.
• Abstract（参考訳）: トレーニングタイムのスケーリングは高い計算コストと限界リターンの低減につながるため、エンドツーエンドの自律運転モデルはパフォーマンスのボトルネックに直面することが多い。 既存のプランナーは通常、1ショット生成パラダイムを採用しており、推論中に最適または安全でない軌道を検出し、修正するための二次的検証と能動的修正機構が欠如している。 この問題に対処するために,テストタイムスケーリングのパラダイムを活用する軽量でプラグ&プレイのTest-Time VerifierのDriveVerを提案する。 条件駆動クラスタリングと平衡サンプリングにより,NAVSIMベンチマークに基づく専用トラジェクトリデータセットを構築した。 デュアルヘッドアーキテクチャを用いて、DriveVerは多視点視覚表現とエゴ車体運動特性を効率よく融合させ、安全信頼性スコアと絶対幾何学的精細ベクトルを同時に予測する。 NAVSIMベンチマークの大規模な実験により、DriveVerはベースプランニングモデルの性能を大幅に改善することが示された。 特に、34Mパラメータしか持たない非常にコンパクトなモデルとして、DriveVerは最小限の計算オーバーヘッドを導入し、リアルタイムの推論効率を維持しながら、競合する結果を達成する。

関連論文リスト

• A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
  車両の直接遠隔操作は重要な技術的ボトルネックに直面している。 通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。 本稿では,一方的な遠隔操作フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T01:51:08Z)
• Efficient Minimal Solvers for Relative Pose Estimation in Autonomous Driving Applications [6.7028173995782]
  マルチカメラシステムにおける相対的なポーズ推定は,正確な車両位置推定と環境認識に不可欠である。 既存の手法はしばしば高い計算コストを伴い、豊富な特徴マッチングに大きく依存する。 本稿では,新しい翻訳パラメタライゼーションと一階回転近似に基づく,効率的な相対ポーズ推定のための統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-08T14:43:53Z)
• Balancing Accuracy and Efficiency: Adaptive Dynamics Orchestration for Model Predictive Control [8.262724319342945]
  高忠実度力学モデルは、軌道のロールアウト中に複雑な車両とテランの相互作用を正確に予測できるが、計算コストは相当である。 軽量モデルは高速な更新と高密度サンプリングを可能にするが、安全クリティカルな条件下で誤った予測を発生させる可能性がある。 本稿では,現在のナビゲーションコンテキストに対して最適な動的モデルを動的に選択するフレームワークであるAdaptive Dynamics Orchestration (ADO)を提案する。
  論文  参考訳（メタデータ） (2026-05-22T19:05:25Z)
• OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models [69.2503510410147]
  予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。 トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。 エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T07:50:00Z)
• Guided by Trajectories: Repairing and Rewarding Tool-Use Trajectories for Tool-Integrated Reasoning [65.10602992874787]
  AutoTrajはツール使用トラジェクトリの修復と報酬によってTIRを自動的に学習するフレームワークである。 実世界のベンチマークの実験では、AutoTrajの有効性が示されている。
  論文  参考訳（メタデータ） (2026-01-30T14:42:04Z)
• Deep Bilinear Koopman Model for Real-Time Vehicle Control in Frenet Frame [0.0]
  本稿では,カービリニアFrenetフレーム内の車両力学のモデリングと制御のための深いクープマン手法を提案する。 提案フレームワークは、深層ニューラルネットワークアーキテクチャを使用して、データからクープマン演算子とその関連する不変部分空間を同時に学習する。 提案した制御器は, ベースライン制御器と比較して追従誤差を著しく低減し, 組込み自動運転車システムにおけるリアルタイム実装に適していることを確認した。
  論文  参考訳（メタデータ） (2025-07-16T18:49:44Z)
• 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)
• InVDriver: Intra-Instance Aware Vectorized Query-Based Autonomous Driving Transformer [12.441180142943328]
  InVDriverは、インスタンス内空間依存のための新しいベクトル化クエリベースのシステムである。 InVDriverは最先端の性能を達成し,精度と安全性の両面で従来の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-25T08:20:16Z)
• 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)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• SDVTracker: Real-Time Multi-Sensor Association and Tracking for Self-Driving Vehicles [11.317136648551537]
  本稿では,関連性や状態推定に深層学習モデルを用いた,実用的で軽量なトラッキングシステムSDVTrackerを提案する。 本システムは,実世界の都市運転データセットにおいて,アクター100のシーンにおいて,CPU上で2.5ms未満で実行しながら,手作業による手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2020-03-09T23:07:23Z)

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。