論文の概要: WorkDrive: Roadwork Chain of Causation for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2607.14727v1
• Date: Thu, 16 Jul 2026 08:53:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.047745
• Title: WorkDrive: Roadwork Chain of Causation for Autonomous Driving
• Title（参考訳）: WorkDrive: 自律運転のための因果関係のロードマップ
• Abstract要約: 作業ゾーンの因果推論を構築し,軌道予測と整合するフレームワークであるWorkDriveを提案する。 自動認識パイプラインは、構造化されたシーン事実を抽出し、それらをChain-of-Causation(CoC)アノテーションパイプラインに注入し、アノテーションの注意をドメイン固有の要素にリダイレクトする。 最大の公共作業ゾーンデータセットであるROADWorkでは、提案された道路工事CoCが軌道平均変位誤差(ADE)を9.0%削減し、一貫性に基づくGRPOがさらに3.0%向上した。
• 参考スコア（独自算出の注目度）: 29.878568754013713
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous driving vision-language models (VLMs) struggle in roadwork zones, where familiar visual cues such as lane markings and permanent signs are altered or absent, and temporary devices such as cones and barriers redefine the drivable corridor. VLMs can detect these objects, but without explicit guidance they anchor their reasoning on familiar elements from pre-training and fail to connect work-zone observations to correct planning decisions. We propose WorkDrive, a framework that constructs perception-grounded causal reasoning for work zones and aligns it with trajectory prediction. An automated multitask perception pipeline extracts structured scene facts and injects them into a Chain-of-Causation (CoC) annotation pipeline, redirecting the annotator's attention to domain-specific elements. The resulting reasoning labels are used for supervised fine-tuning, followed by reinforcement learning with a single reward: consistency between lateral meta-actions and the predicted trajectory. On ROADWork, the largest public work-zone dataset, the proposed roadwork CoC reduces trajectory average displacement error (ADE) by 9.0\%, and consistency-based GRPO yields a further 3.0\%, achieving progressive improvement over the trajectory-only baseline. Code and data will be publicly released.
• Abstract（参考訳）: 自律運転視覚言語モデル(VLM)は、車線標識や永久標識などの慣れ親しんだ視覚的手がかりが変更または欠落し、コーンやバリアなどの一時的な装置が乾燥可能な廊下を再定義する道路作業ゾーンで苦労する。 VLMはこれらのオブジェクトを検出できるが、明示的なガイダンスなしでは、事前トレーニングから慣れ親しんだ要素に推論を固定し、ワークゾーンの観察と計画決定の正しさを結びつけることができない。 作業ゾーンに対する知覚的因果推論を構築し,軌道予測と整合するフレームワークであるWorkDriveを提案する。 自動マルチタスク認識パイプラインは、構造化されたシーン事実を抽出し、それらをChain-of-Causation(CoC)アノテーションパイプラインに注入し、アノテーションの注意をドメイン固有の要素にリダイレクトする。 結果として得られた推論ラベルは、教師付き微調整に使用され、続いて1つの報酬を持つ強化学習(横方向のメタアクションと予測された軌道との整合性)が続く。 公共作業ゾーンの最大のデータセットであるROADWorkでは、提案された道路工事 CoC が軌道平均変位誤差(ADE)を 9.0 % 削減し、一貫性に基づくGRPO はさらに 3.0 % を達成し、軌道のみのベースラインに対する進歩的な改善を実現している。 コードとデータは公開されます。

関連論文リスト

• MC-DeTra: Motion-Consistent Joint Object Detection and Socially-Aware Trajectory Forecasting in Bird's-Eye-View Images [0.2864713389096699]
  我々は、補助信号による監視を付加する動き一貫性機構のファミリーであるMC-DeTraをリリースする。 MC-DeTraは、動的で社会的に割り振られた軌道予測を改善し、検出精度を向上する。 私たちはhttps://github.com/diuzhevVlad/MC-DeTra.comでコード、設定、評価ツールをリリースします。
  論文  参考訳（メタデータ） (2026-09-10T15:34:09Z)
• V2I Work Zone Geometry Reconstruction with Pose-Conditioned UWB Range Denoising [21.96504043018849]
  本研究では,マルチアンカーUWBレンジに対するポーズ条件付き変分変分予測デノイザを提案する。 2段階のトレーニング戦略は、まず観測範囲から予測を学習し、次にNLOSの重み付けによるディナイザを微調整する。 提案手法は,NLOS重み付けの課題において,範囲精度,コーンの局在化,ワークゾーンの幾何再構成を著しく向上することを示す。
  論文  参考訳（メタデータ） (2026-05-28T01:24:26Z)
• Addressing the Waypoint-Action Gap in End-to-End Autonomous Driving via Vehicle Motion Models [0.0]
  予測された動作シーケンスを対応するエゴフレーム・ウェイポイント・トラジェクトリにロールアウトする、微分可能な車両モデルフレームワークを提案する。 当社のアプローチでは,ウェイポイントベースのベンチマーク内で,アクションベースのアーキテクチャを初めてトレーニングし,評価することが可能です。
  論文  参考訳（メタデータ） (2026-02-05T21:42:13Z)
• TrajDiff: End-to-end Autonomous Driving without Perception Annotation [65.49718343700319]
  エンドツーエンドの自動運転システムは、生センサ入力から直接駆動ポリシーを生成する。 TrajDiffはTrajectory-oriented BEV Conditioned Diffusionフレームワークであり、エンドツーエンドの自動運転のための知覚アノテーションのない生成方法を確立する。 NAVSIMベンチマークで評価すると、TrajDiffは87.5 PDMSを達成した。
  論文  参考訳（メタデータ） (2025-11-30T04:34:20Z)
• Graph Enhanced Trajectory Anomaly Detection [23.8160784400789]
  軌道異常検出は、インテリジェント交通システムから都市安全・不正防止に至るまで、異常かつ予期せぬ動きパターンを特定するために不可欠である。 既存の手法では、軌跡をサンプリングされた位置の列として扱うことにより、軌道の性質とその運動空間の限られた側面しか考慮していない。 提案するグラフ拡張軌道異常検出フレームワークは,道路網のトポロジ,セグメントセマンティクス,過去の走行パターンを密に統合し,軌跡データをモデル化する。
  論文  参考訳（メタデータ） (2025-09-22T20:15:15Z)
• FlowDrive: Energy Flow Field for End-to-End Autonomous Driving [50.89871153094958]
  FlowDriveは、物理的に解釈可能なエネルギーベースのフローフィールドを導入し、セマンティックな前提と安全性をBEV空間にエンコードする新しいフレームワークである。 NAVSIM v2ベンチマークの実験では、FlowDriveが最先端のパフォーマンスを86.3で達成し、安全性と計画品質の両方において以前のベースラインを超えたことが示されている。
  論文  参考訳（メタデータ） (2025-09-17T13:51:33Z)
• 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)
• A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
  軌道予測は、自動運転車における計画の安全性と効率に不可欠である。 現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。 本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
  論文  参考訳（メタデータ） (2024-11-29T14:47:08Z)
• SEPT: Towards Efficient Scene Representation Learning for Motion Prediction [19.111948522155004]
  本稿では,自己教師付き学習を活用し,複雑な交通シーンのための強力なモデルを開発するためのモデリングフレームワークSEPTを提案する。 実験により、SEPTはアーキテクチャ設計や機能エンジニアリングを伴わず、Argoverse 1 と Argoverse 2 のモーション予測ベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-09-26T21:56:03Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• Improving Movement Predictions of Traffic Actors in Bird's-Eye View Models using GANs and Differentiable Trajectory Rasterization [12.652210024012374]
  自動運転パズルの最も重要なピースの1つは、周囲の交通機関の将来の動きを予測するタスクである。 一方はトップダウンのシーン化と他方はGAN(Generative Adrial Networks)に基づく手法が特に成功したことが示されている。 本稿では,これら2つの方向に基づいて,Aversa-based conditional GANアーキテクチャを提案する。 提案手法を実世界の大規模データセット上で評価し,最先端のGANベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-14T00:41:17Z)

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。