論文の概要: MOJITO: Modal Joint Learning for Unified End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2607.23511v1
• Date: Sun, 26 Jul 2026 07:20:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.136444
• Title: MOJITO: Modal Joint Learning for Unified End-to-End Autonomous Driving
• Title（参考訳）: MOJITO: 統合エンドツーエンド自動運転のためのモーダルジョイントラーニング
• Abstract要約: MOJITOは、モーダル・ジョイント・ラーニングに基づくエンドツーエンドの自動運転のための統合されたセンサー・ツー・アクション・フレームワークである。 我々は,MOJITOがNAVSIM v1データセットで88.9 PDMS,NAVSIM v2データセットで88.4Sを達成したことを示し,新たな最先端技術を確立した。
• 参考スコア（独自算出の注目度）: 26.392486528805406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end autonomous driving systems commonly follow a cascaded two-stage pipeline where a perception stage compresses multi-modal sensor inputs into a compact context and a downstream planner predicts trajectories conditioned on this context. We argue that this one-way perception-to-planning interface forces sensor inputs into a compact representation, losing the fine-grained details critical for planning. Moreover, by constraining the planner to this compressed context, it is difficult to leverage the rich representations offered by modern vision foundation models. To address these issues, we propose MOJITO, a unified sensor-to-action framework for end-to-end autonomous driving built on modal joint learning. MOJITO removes the cascaded interface and instead performs block-wise Modal Joint Attention that simultaneously updates action, image, and LiDAR features, allowing the planner to directly access multi-modal features during action generation. MOJITO achieves 88.9 PDMS on the NAVSIM v1 dataset and 88.4 EPDMS on the more challenging NAVSIM v2 dataset, setting a new state-of-the-art. Extensive experiments further demonstrate strong scalability, instruction following, and diverse trajectory generation. Code and models are available at https://github.com/mumucc01/MOJITO.
• Abstract（参考訳）: エンド・ツー・エンドの自律運転システムは一般的にカスケードされた2段階のパイプラインに従っており、知覚段階はマルチモーダルセンサーの入力をコンパクトな文脈に圧縮し、下流のプランナーはこの状況で条件付けられた軌道を予測する。 この片道認識インタフェースは、センサ入力をコンパクトな表現に強制し、計画に不可欠な細部の詳細をなくすことを論じる。 さらに、この圧縮された文脈にプランナーを拘束することにより、現代の視覚基盤モデルによって提供されるリッチな表現を活用することは困難である。 これらの課題に対処するため,モーダル・ジョイント・ラーニングに基づくエンドツーエンド自動運転のための統合型センサ・ツー・アクション・フレームワークMOJITOを提案する。 MOJITOはカスケードインターフェースを削除し、代わりにアクション、イメージ、LiDAR機能を同時に更新するブロックワイドのModal Joint Attentionを実行する。 MOJITOはNAVSIM v1データセットで88.9 PDMS、さらに挑戦的なNAVSIM v2データセットで88.4 PDMSを達成し、新しい最先端技術が設定された。 広範な実験により、強力なスケーラビリティ、命令従順、多種多様な軌道生成が示される。 コードとモデルはhttps://github.com/mumucc01/MOJITO.comで入手できる。

関連論文リスト

• Hydra: A Navigation World Action Model with Discrete Latent Planning and Continuous Flow-Matching Execution [51.519325778407016]
  世界モデルは、ロボットが未来を想像することを可能にするが、リアルタイム制御にこの能力を活用することは、表現のミスアライメントによってボトルネックとなる。 我々は、このギャップを埋める個別のワールドアクションモデルであるHydraを紹介します。 Hydraは、目標指向の計画において最先端の世界モデルよりも優れており、主要なリアクティブ基盤ポリシーのクローズドループ実行能力にマッチまたは超越している。
  論文  参考訳（メタデータ） (2026-08-29T01:58:19Z)
• Latent-WAM: Latent World Action Modeling for End-to-End Autonomous Driving [40.17041348571413]
  Latent-WAMは効率的なエンドツーエンドの自動運転フレームワークである。 空間認識および動的インフォームドされた潜在世界表現を通じて、強力な軌道計画を実現する。
  論文  参考訳（メタデータ） (2026-03-25T17:56:07Z)
• OmniVTA: Visuo-Tactile World Modeling for Contact-Rich Robotic Manipulation [57.133721026727706]
  textbfOmniViTacは,16ドルのタスクと100ドル以上のオブジェクトからなる21,000ドル以上のトラジェクトリからなる大規模ビズオタクティルアクションデータセットである。 我々は4つの密結合モジュールを統合する世界モデルベースのビジュオ触覚操作フレームワークである textbf OmniVTA を提案する。
  論文  参考訳（メタデータ） (2026-03-19T17:52:42Z)
• Layer-Wise Modality Decomposition for Interpretable Multimodal Sensor Fusion [20.84456781070161]
  本稿では, 既訓練核融合モデルの層間におけるモダリティ固有情報を分散するために, LMD(Layer-Wise Modality Decomposition)を導入する。 自動走行のためのカメラレーダー、カメラライダー、カメラライダー、LiDAR設定下での事前訓練核融合モデル上でのLCDの評価を行った。
  論文  参考訳（メタデータ） (2025-11-02T08:52:24Z)
• 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)
• ImagiDrive: A Unified Imagination-and-Planning Framework for Autonomous Driving [64.12414815634847]
  ビジョン・ランゲージ・モデル(VLM)とドライビング・ワールド・モデル(DWM)は、この課題のさまざまな側面に対処する強力なレシピとして独立して登場した。 我々は、VLMベースの運転エージェントとDWMベースのシーン想像装置を統合した、新しいエンドツーエンドの自動運転フレームワークであるImagiDriveを提案する。
  論文  参考訳（メタデータ） (2025-08-15T12:06:55Z)
• A CLIP-based Uncertainty Modal Modeling (UMM) Framework for Pedestrian Re-Identification in Autonomous Driving [6.223368492604449]
  Uncertainty Modal Modeling (UMM) フレームワークは、マルチモーダルトークンマッパー、合成モダリティ強化戦略、およびクロスモーダルキュー対話型学習器を統合している。 UMMは、不確実なモード条件下で強い堅牢性、一般化、および計算効率を達成する。
  論文  参考訳（メタデータ） (2025-08-15T04:50:27Z)
• 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)
• DeepInteraction++: Multi-Modality Interaction for Autonomous Driving [80.8837864849534]
  我々は,モダリティごとの個別表現を学習し,維持することのできる,新しいモダリティインタラクション戦略を導入する。 DeepInteraction++はマルチモーダルなインタラクション・フレームワークであり、マルチモーダルな表現型インタラクション・エンコーダとマルチモーダルな予測型インタラクション・デコーダを特徴とする。 実験では,3次元物体検出とエンドツーエンドの自律走行の両方において,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-09T14:04:21Z)

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。