論文の概要: DRIFT: Drift and Aggregation for Motion Planning

• arxiv url: http://arxiv.org/abs/2607.14507v1
• Date: Thu, 16 Jul 2026 02:43:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.959529
• Title: DRIFT: Drift and Aggregation for Motion Planning
• Title（参考訳）: DRIFT:モーションプランニングのためのドリフトとアグリゲーション
• Abstract要約: DRIFTは1ステップのドリフトをコンパクトな軌跡空間内でのドリフトとシーン認識型提案アグリゲーションを組み合わせた固定深度軌道プランナーである。 軽量アグリゲーションヘッドはこれらの特徴をシーン、ナビゲーション、エゴステート情報と統合し、最終軌道を直接予測する。 その出力は、専門家軌道の模倣と、乾燥可能なポリゴンの外側のウェイポイントをペナライズする地図由来境界正規化器で訓練されている。
• 参考スコア（独自算出の注目度）: 20.309189828710362
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end trajectory planners need to represent multiple plausible driving behaviors while producing a single executable trajectory under real-time constraints. Proposal-based approaches address this ambiguity by generating multiple candidates, but converting the proposal set into a final plan remains a key design problem. We present DRIFT, a fixed-depth planner that combines one-step drifting in a compact trajectory latent space with scene-aware proposal aggregation. Conditioned on features from a pretrained visual encoder, the DRIFT Decoder generates 48 proposal features in a single batched pass, with 32 samples at alpha=0.5 and 16 samples at alpha=0.9. A lightweight Aggregation Head integrates these features with scene, navigation, and ego-state information and directly predicts the final trajectory without requiring trajectory-level quality labels for aggregation. Its output is trained with expert-trajectory imitation and a map-derived boundary regularizer that penalizes waypoints outside the drivable polygon and inside waypoints near its boundary. On NAVSIM navtest, DRIFT achieves 89.6 PDMS and 90.4 EPDMS, with strong drivable-area compliance and ego progress among the methods compared. The proposal-generation and aggregation module runs in 10.82 ms on an NVIDIA RTX 4090, while full-model inference including the visual backbone takes 66.43 ms. These results show that one-step latent proposal generation and direct aggregation provide an efficient design for multi-hypothesis motion planning.
• Abstract（参考訳）: エンド・ツー・エンドのトラジェクトリ・プランナは、リアルタイムな制約の下で単一の実行可能トラジェクトリを生成しながら、複数の妥当な駆動動作を表現する必要がある。 提案に基づくアプローチは、複数の候補を生成することによってこの曖昧さに対処するが、提案された提案を最終的な計画に変換することは重要な設計問題である。 DRIFTは1ステップのドリフトとシーン認識型提案アグリゲーションを組み合わせた固定深度プランナーである。 DRIFTデコーダは、事前訓練されたビジュアルエンコーダの機能に基づいて、1回のバッチパスで48の提案機能を生成し、α=0.5で32のサンプル、α=0.9で16のサンプルを生成する。 軽量アグリゲーションヘッドはこれらの特徴をシーン、ナビゲーション、エゴステート情報と統合し、アグリゲーションのために軌道レベルの品質ラベルを必要とせずに最終軌道を直接予測する。 その出力は、専門家-軌道模倣と地図由来境界正規化器で訓練され、乾燥可能なポリゴンの外側のウェイポイントとその境界付近のウェイポイントをペナライズする。 NAVSIMのナビテストでは、DRIFTは89.6 PDMSと90.4 EPDMSを達成した。 提案生成および集約モジュールはNVIDIA RTX 4090上で10.82msで動作し、ビジュアルバックボーンを含むフルモデル推論では66.43msを要する。

関連論文リスト

• Adaptive-WAM: Quality-Guided Early-Exit Planning from Intermediate Video-Diffusion Features [4.996631858286914]
  計画性能はテストされたビデオノイズレベルにはほとんど反応しないが、強い軌道は中間層からすでに復号化されている。 Wan2.2-5Bバックボーン上に構築された品質対応マルチエグジットプランナであるAdaptive-WAMを紹介する。
  論文  参考訳（メタデータ） (2026-08-06T13:13:07Z)
• PathCover: A Fast Convex Decomposition along a Path via Randomized Iterative Space Partitioning (RISP) on Point Clouds [7.061252397888759]
  本稿では,自律型ロボットナビゲーションのための障害物のない領域を生成するためのフレームワークPathCoverを紹介する。 干渉のない参照経路に沿って連続的な進行を保ちながら、アルゴリズムが有限ステップで終了することを数学的に保証する。 完全なパイプラインは、高忠実度四足歩行シミュレーションと四足歩行ロボットへの物理的展開によって検証される。
  論文  参考訳（メタデータ） (2026-08-06T04:17:13Z)
• AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
  動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。 我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。 我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-13T16:00:41Z)
• Learning to Navigate Efficiently with Only 0.58M Trainable Parameters [12.68304107799412]
  既知の閉形式構造を持つ操作を解析的に計算し、3つの小さな学習モジュール間のインタフェースとして機能するナビゲーションモデルを提案する。 このシステムは、合計22.7Mパラメータのうちわずか0.58Mを1時間未満で44kフレームでトレーニングするが、ナビゲーションタスクの最先端モデルの性能にアプローチする。
  論文  参考訳（メタデータ） (2026-07-13T02:49:55Z)
• LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
  視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。 しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。 本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2026-06-26T09:11:59Z)
• Track A*: Fast Visibility-Aware Trajectory Planning for Active Target Tracking [1.8297494098768168]
  我々は、視認可能な目標追跡のためのオフライン検索ベースの軌道プランナーであるTrack A star(TA star)を提示する。 TA星は、層状非巡回グラフ(D)探索と、境界体積に対するクロスタイム障害物距離キャッシング、層当たりのビームプルーニング、マルチレイ可視性評価器の3つのエンジニアリング最適化を組み合わせた。 実験の結果、計算コストのごく一部で、頑健で、ほぼベースラインに近い可視性を示す。
  論文  参考訳（メタデータ） (2026-05-06T18:09:15Z)
• MISTY: High-Throughput Motion Planning via Mixer-based Single-step Drifting [19.16655963423315]
  MISTYは、純粋な単一ステップ推論で最先端のクローズドループを実現するジェネレーティブモーションプランナーである。 我々は、複雑な進化をトレーニングフェーズにシフトさせる潜在空間の漂流損失を導入する。 MISTYは99FPS以上で動作し、エンドツーエンドのレイテンシは10.1msである。
  論文  参考訳（メタデータ） (2026-04-23T09:50:34Z)
• SparseDriveV2: Scoring is All You Need for End-to-End Autonomous Driving [12.665877773318265]
  SparseDriveV2を開発した。 SparseDriveV2 は NAVSIM 上で 92.0 PDMS と 90.1 PDMS を達成する。
  論文  参考訳（メタデータ） (2026-03-31T02:20:40Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• SpaRC-AD: A Baseline for Radar-Camera Fusion in End-to-End Autonomous Driving [5.343552118560704]
  SpaRC-ADは、計画指向の自律運転のためのクエリベースのエンドツーエンドカメラレーダ融合フレームワークである。 本手法は、複数の自律運転タスクにおいて、最先端のビジョンのみのベースラインよりも強力な改善を実現する。
  論文  参考訳（メタデータ） (2025-08-14T12:02:41Z)
• Hydra-NeXt: Robust Closed-Loop Driving with Open-Loop Training [64.16445087751039]
  Hydra-NeXtは、軌道予測、制御予測、軌道修正ネットワークを一つのモデルに統合する、新しいマルチブランチ計画フレームワークである。 Hydra-NeXt は22.98 DS と 17.49 SR を上回り、自動運転の大幅な進歩を示している。
  論文  参考訳（メタデータ） (2025-03-15T07:42:27Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)

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。