論文の概要: PrismAD: Decoupled Planning via Semantic Mixture-of-Planners for End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2607.10336v1
• Date: Sat, 11 Jul 2026 14:36:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.397515
• Title: PrismAD: Decoupled Planning via Semantic Mixture-of-Planners for End-to-End Autonomous Driving
• Title（参考訳）: PrismAD: エンドツーエンド自動運転のためのセマンティックミキサー・オブ・プランナーによる分離計画
• Abstract要約: PrismADは、Semantic Mixture-of-Plannersをベースにしたエンドツーエンドの自動運転フレームワークである。 シーントークンをインタラクション、ジオメトリ、インテントグループに分割し、同じアーキテクチャを持つ独立した計画専門家に割り当てるが、パラメータは分離する。 nuScenesのオープンループデータセットとNeuroNCAPクローズループベンチマークの実験は、PrismADが競合するパフォーマンスを示していることを示している。
• 参考スコア（独自算出の注目度）: 25.508648721515357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This letter presents PrismAD, a decoupled end-to-end autonomous driving framework based on a Semantic Mixture-of-Planners. Existing planners usually aggregate heterogeneous scene tokens into a coupled representation space, forcing a single planning branch to jointly model agent interaction, road geometry, and driving intention. Such coupling may weaken factor-specific reasoning and obscure the contribution of different planning cues. To address this limitation, PrismAD partitions scene tokens into interaction, geometry, and intent groups, and assigns them to independent planning experts with the same architecture but separate parameters. Each expert learns a specialized motion-planning representation, while a semantics-aware router adaptively aggregates expert predictions with separate routing weights for motion prediction and ego planning. Sparse top-$K$ activation with noisy gating is further introduced to improve routing robustness and reduce unnecessary expert computation. Extensive experiments on the nuScenes open-loop dataset and NeuroNCAP closed-loop benchmark demonstrate that PrismAD exhibits competitive performance. Our code will be released soon.
• Abstract（参考訳）: このレターは、Semantic Mixture-of-Plannersをベースにした、分離されたエンドツーエンドの自動運転フレームワークであるPrismADを提示する。 既存のプランナーは通常、異種シーントークンを結合した表現空間に集約し、単一の計画ブランチでエージェントの相互作用、道路幾何学、運転意図を共同でモデル化する。 このような結合は因子特異的な推論を弱め、異なる計画方法の寄与を曖昧にする可能性がある。 この制限に対処するため、PrismADはシーントークンをインタラクション、ジオメトリ、インテントグループに分割し、同じアーキテクチャを持つ独立した計画専門家に割り当てる。 各専門家は、特別な動き計画表現を学習し、セマンティックス対応ルータは、動き予測とエゴ計画のための別々のルーティングウェイトで、専門家の予測を適応的に集約する。 さらに、ルーティングのロバスト性を改善し、不要な専門家計算を減らすため、ノイズゲーティングによるSparse Top-K$のアクティベーションが導入されている。 nuScenesのオープンループデータセットとNeuroNCAPクローズループベンチマークに関する大規模な実験は、PrismADが競合するパフォーマンスを示していることを示している。 私たちのコードはまもなくリリースされるでしょう。

関連論文リスト

• DiffuSearch: How Hybrid Trajectory Planning Benefits from Aligned Objectives in Diffusion and Action Space [41.99844472131922]
  DiffuSearchは、ジェネレーションとリファインメントをまたいだ統一された目的セットを使用する、新しいハイブリッドプランナーである。 私たちのモデルは、衝突回避、乾燥可能な領域コンプライアンス、快適さ、進捗といった、すべてのコンポーネントが同じ共有運転目標に従うように促します。 nuPlanとinterPlanリアクティブクローズループベンチマークの実験は、DiffuSearchが強く、しばしば最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-09-02T08:00:17Z)
• World Models as Adversaries: Multi-Agent Self-Play Fine-Tuning for Robust Motion Planning [60.88859946006306]
  Adversa World Modeling(英語版)は理論上基礎を成すマルチエージェント・セルフプレイ・ファインチューニングフレームワークである。 内的最小化においては、プランナーの予測世界モデルは、スパースでシーン適応的なアタック・アタック・アライアンスを学ぶロール条件の敵に変換される。 nuPlan と InterPlan のベンチマーク実験により,本手法が伝達可能な対角相互作用を生成することを示す。
  論文  参考訳（メタデータ） (2026-07-12T07:44:16Z)
• Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
  エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。 既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。 エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T13:38:18Z)
• Connectivity-Aware Representations for Constrained Motion Planning via Multi-Scale Contrastive Learning [6.0393663164774125]
  制約された動き計画の目的は、タスク固有の制約を満たしながら開始とゴールの設定を接続することである。 本稿では,これらの課題に対して,計画前に開始と目標の設定を選択するための接続性を考慮した表現を学習することによって解決する。
  論文  参考訳（メタデータ） (2026-03-26T10:44:21Z)
• HiP-AD: Hierarchical and Multi-Granularity Planning with Deformable Attention for Autonomous Driving in a Single Decoder [3.0989923815412204]
  我々は、HiP-ADと呼ばれる新しいエンドツーエンドの自動運転フレームワークを提案する。 HiP-ADは同時に、統合デコーダ内で認識、予測、計画を行う。 HiP-ADは、クローズドループベンチマークであるBench2Driveにおいて、既存のエンドツーエンドの自動運転手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-03-11T16:52:45Z)
• 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)
• SparseDrive: End-to-End Autonomous Driving via Sparse Scene Representation [11.011219709863875]
  我々はSparseDriveという新しいエンドツーエンドの自動運転パラダイムを提案する。 SparseDriveは対称なスパース認識モジュールとパラレルモーションプランナーで構成されている。 動作予測と計画について,これら2つの課題の相似性を概観し,運動プランナの並列設計に繋がる。
  論文  参考訳（メタデータ） (2024-05-30T02:13:56Z)
• PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
  PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。 我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-11-14T11:53:24Z)
• Planning-oriented Autonomous Driving [60.93767791255728]
  我々は、最終目標、すなわち自動運転車の計画を追求するために、好ましいフレームワークを考案し、最適化すべきであると主張している。 フルスタック運転タスクをひとつのネットワークに組み込んだ総合的なフレームワークであるUnified Autonomous Driving (UniAD)を紹介した。
  論文  参考訳（メタデータ） (2022-12-20T10:47:53Z)
• PlanT: Explainable Planning Transformers via Object-Level Representations [64.93938686101309]
  PlanTは、自動運転のコンテキストにおける計画のための新しいアプローチである。 PlanTは、コンパクトなオブジェクトレベルの入力表現を持つ模倣学習に基づいている。 この結果から,PlanTは幾何学的に距離をおいても,現場で最も関連性の高い物体に焦点を合わせることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-10-25T17:59:46Z)

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。