論文の概要: nuTruck: Benchmarking Autonomous Driving Planning for Distributed Electric-drive Trucks

• arxiv url: http://arxiv.org/abs/2607.13704v1
• Date: Wed, 15 Jul 2026 11:09:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.747944
• Title: nuTruck: Benchmarking Autonomous Driving Planning for Distributed Electric-drive Trucks
• Title（参考訳）: nuTruck: 分散型電動トラックの自動運転計画のベンチマーク
• Abstract要約: このレターは、大規模なニューラルネットワークトレーニングとクローズドループ評価をサポートするように設計された、nuTruckと呼ばれる最初の高忠実度ベンチマークを提示する。 まず, 高精度な非線形トラック動力学的モデルをシミュレーションに組み込んで, 全車輪の独立運転と操舵を可能にする。 第二に、ルールベースおよび学習ベースプランナをDETのベースラインとして適用し、クローズドループシミュレーションにおいてそれらの性能を評価する。
• 参考スコア（独自算出の注目度）: 16.180911702540836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The dominance of traditional rule-based methods in autonomous driving has gradually been replaced by learning-based approaches. While learning-based planners have achieved considerable success in passenger vehicles, their performance on heavy-duty trucks, particularly modern distributed electric-drive trucks (DETs), remains largely unexplored. To facilitate research and application of learning-based planners in DETs, this letter presents the first high-fidelity benchmark, called nuTruck, designed to support large-scale neural network training and closed-loop evaluation. Given the complex dynamics and high rollover susceptibility of DETs, we first incorporate a highly accurate nonlinear truck dynamical model into the simulation, which enables independent driving and steering of all wheels and captures dynamic load transfer caused by acceleration, deceleration, and cornering, thereby allowing quantitative assessment of rollover risk in closed-loop simulation. Second, we adapt several rule-based and learning-based planners as baselines for DETs and evaluate their performance in closed-loop simulation. Finally, using real-world driving scenarios from the nuPlan dataset, we conduct extensive closed-loop evaluations, analyzing not only conventional collision-free planning performance, but also the dynamical safety of the planned trajectories. The proposed nuTruck benchmark is expected to serve as a new standard for fair and realistic evaluation of autonomous driving planners on DETs.
• Abstract（参考訳）: 自律運転における従来のルールベースの手法の優位性は、徐々に学習ベースのアプローチに置き換えられている。 学習ベースのプランナーは旅客車でかなりの成功を収めてきたが、重厚なトラック、特に現代の分散電動車(DET)の性能は、まだ明らかにされていない。 DETにおける学習ベースのプランナの研究と適用を容易にするため、このレターでは、大規模なニューラルネットワークトレーニングとクローズドループ評価をサポートするように設計された、nuTruckと呼ばれる最初の高忠実度ベンチマークを提示する。 DETの複雑な力学と高いロールオーバー感受性を考慮し、まず高精度な非線形トラック動力学的モデルをシミュレーションに組み込み、全ての車輪の独立運転とステアリングを可能にし、加速、減速、コーナーングによる動的負荷伝達を捕捉し、閉ループシミュレーションにおけるロールオーバーリスクの定量的評価を可能にする。 第二に、ルールベースおよび学習ベースプランナをDETのベースラインとして適用し、クローズドループシミュレーションにおいてそれらの性能を評価する。 最後に、nuPlanデータセットからの実世界の運転シナリオを用いて、従来の衝突のない計画性能だけでなく、計画された軌道の動的安全性も分析し、広範囲な閉ループ評価を行う。 提案されたnuTruckベンチマークは、DET上での自動運転プランナの公平かつ現実的な評価のための新しい標準として機能することが期待されている。

関連論文リスト

• 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)
• Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
  離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。 我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。 本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
  論文  参考訳（メタデータ） (2025-09-24T13:35:15Z)
• ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
  ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。 我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。 次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
  論文  参考訳（メタデータ） (2025-06-09T03:14:04Z)
• 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)
• CarPlanner: Consistent Auto-regressive Trajectory Planning for Large-scale Reinforcement Learning in Autonomous Driving [23.7034061448326]
  軌道計画は自動運転に不可欠であり、複雑な環境で安全かつ効率的な航法を確保する。 本稿では、強化学習を用いてマルチモーダル軌道を生成するtextbfConsistent textbfauto-textbfregressive textbfPlannerについて紹介する。
  論文  参考訳（メタデータ） (2025-02-27T09:26:22Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• A Tricycle Model to Accurately Control an Autonomous Racecar with Locked Differential [71.53284767149685]
  自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。 本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
  論文  参考訳（メタデータ） (2023-12-22T16:29:55Z)
• Integrating Higher-Order Dynamics and Roadway-Compliance into Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
  軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。 既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。 このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
  論文  参考訳（メタデータ） (2023-09-25T22:30:18Z)
• Integration of Reinforcement Learning Based Behavior Planning With Sampling Based Motion Planning for Automated Driving [0.5801044612920815]
  本研究では,高度行動計画のための訓練された深層強化学習ポリシーを用いる方法を提案する。 私たちの知る限りでは、この研究は、この方法で深層強化学習を適用した最初のものである。
  論文  参考訳（メタデータ） (2023-04-17T13:49:55Z)
• Interpretable Motion Planner for Urban Driving via Hierarchical Imitation Learning [5.280496662905411]
  本稿では,ハイレベルグリッドベース行動プランナと低レベル軌道プランナを含む階層型計画アーキテクチャを提案する。 高レベルプランナーが一貫した経路を見つける責任があるため、低レベルプランナーは実行可能な軌道を生成する。 本手法をクローズドループシミュレーションと実世界運転の両方で評価し,ニューラルネットワークプランナの優れた性能を実証する。
  論文  参考訳（メタデータ） (2023-03-24T13:18:40Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• UMBRELLA: Uncertainty-Aware Model-Based Offline Reinforcement Learning Leveraging Planning [1.1339580074756188]
  オフライン強化学習(RL)は、オフラインデータから意思決定を学ぶためのフレームワークを提供する。 自動運転車(SDV)は、おそらく準最適データセットの振る舞いよりも優れるポリシーを学ぶ。 これはモデルベースのオフラインRLアプローチの使用を動機付け、プランニングを活用する。
  論文  参考訳（メタデータ） (2021-11-22T10:37:52Z)

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。