論文の概要: UnsDrive: Towards Robust End-to-End Autonomous Driving in Unstructured Scenes

• arxiv url: http://arxiv.org/abs/2608.09098v1
• Date: Mon, 10 Aug 2026 03:56:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.075643
• Title: UnsDrive: Towards Robust End-to-End Autonomous Driving in Unstructured Scenes
• Title（参考訳）: UnsDrive: 構造化されていないシーンにおけるロバストなエンドツーエンドの自動運転を目指して
• Abstract要約: 未構造化の採掘シーン用に設計されたエンド・ツー・エンドのプランナーであるUnsDriveを提案する。 UnsDriveは、マルチフレームの可視性を使って、占有、自由、未知の空間を明示的にモデル化した。 また,不規則な道路形状下での自律走行評価のためのマイニング指向閉ループシミュレータであるMineLoopを提案する。
• 参考スコア（独自算出の注目度）: 4.811153938367647
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: End-to-end planning has shown strong promise for autonomous driving, but most existing methods are designed for structured urban roads and generalize poorly to unstructured mining environments. In such settings, weak road structure, terrain-induced occlusions, degraded visibility, and large unobserved regions make safe planning particularly challenging. To address these challenges, we propose UnsDrive, an end-to-end planner designed for unstructured mining scenes. UnsDrive builds an unknown-aware occupancy representation that explicitly models occupied, free, and unknown space using multi-frame visibility cues, and conditions a flow-matching planner on this representation to generate multimodal future trajectories. To improve safety under partial observability, we further introduce an occupancy trajectory consistency loss and an uncertainty-aware trajectory scorer that penalize trajectories entering non-traversable or unobserved regions. We also present MineLoop, a mining-oriented closed-loop simulator for evaluating autonomous driving under irregular road geometry, degraded visibility, heavy-vehicle interactions, and mining-specific operational constraints. Experiments in both open-loop and closed-loop settings show that UnsDrive consistently outperforms strong baselines in trajectory accuracy, collision avoidance, and long-horizon driving robustness. These results demonstrate the value of explicit unknown-space reasoning for autonomous driving in unstructured mining environments.
• Abstract（参考訳）: エンド・ツー・エンド・プランニングは自動運転に強く期待されているが、既存のほとんどの手法は都市道路を整備し、未構造化の鉱山環境に悪影響を及ぼすよう設計されている。 このような環境では、弱い道路構造、地形によって引き起こされた閉塞、劣化した視認性、および大きな未観測地域は、特に安全な計画が困難である。 これらの課題に対処するために、未構造化の採掘シーン用に設計されたエンドツーエンドプランナーUnsDriveを提案する。 UnsDriveは、マルチフレーム可視性キューを使用して、占有、自由、未知の空間を明示的にモデル化する未知の占有率表現を構築し、この表現にフローマッチングプランナーを条件として、マルチモーダルな将来の軌跡を生成する。 部分的可観測性の下での安全性向上のために,非可観測領域や非可観測領域への軌道をペナルティ化する,占有軌道の整合性損失と不確実性を考慮した軌道スコアラを導入する。 我々はまた、不規則な道路形状、視認性低下、重車間相互作用、マイニング特有の運用制約下での自律運転評価のためのマイニング指向閉ループシミュレータであるMineLoopについても紹介する。 オープンループとクローズドループの両方での実験では、UnsDriveは軌道精度、衝突回避、長距離走行の堅牢性において、一貫して強いベースラインを上回っている。 これらの結果は,非構造地雷環境における自律運転における未知空間推論の価値を示すものである。

関連論文リスト

• OWMDrive: Causality-Aware End-to-End Autonomous Driving via 4D Occupancy World Model [2.4196046716427393]
  OWMDriveは、マルチステップの3D占有予測のためのOccupancy World Model上に構築された、生成的なエンドツーエンド駆動フレームワークである。 OWMDriveは、現在の観測と将来の予測状態の両方に基づいて、軌道候補を反復的に洗練し、強化された駆動軌道を生成する。
  論文  参考訳（メタデータ） (2026-06-29T15:05:41Z)
• GraphWorld: Long-Horizon Planning with World Models for End-to-End Autonomous Driving [56.50032398571235]
  GraphWorldはE2E-ADフレームワークで、潜在世界モデリングを通じて長期計画を明確に強化する。 本研究では,エゴ車と周辺エージェントの相互作用をモデル化することで,エゴ中心の潜在世界表現を学習する世界国家計画を提案する。 この潜在世界状態は、重要な相互作用のダイナミクスと安全関連セマンティクスを捉え、長距離で安全を意識した軌道計画の指針となる条件付け信号として機能する。
  論文  参考訳（メタデータ） (2026-06-15T06:26:46Z)
• Beyond Imitation: Learning Safe End-to-End Autonomous Driving from Hard Negatives [18.838887346129916]
  本研究では,運転動作の成功と失敗から共同で学習する,障害対応の模倣学習フレームワークであるBeyondDriveを提案する。 まず、フローマッチングに基づく負の軌道生成器を導入し、安全クリティカルだが専門家の軌道を合成する。 第2に、モード崩壊を緩和し、多様な障害モードのカバレッジを改善するダイバーシティ対応サンプリング戦略を開発する。 第3に,強い負の軌道から遠ざけながら,専門家によるデモンストレーションに向けての予測を同時に惹きつける「反発距離損失」を提案する。
  論文  参考訳（メタデータ） (2026-05-19T12:41:47Z)
• Bench2Drive-Robust: Benchmarking Closed-Loop Autonomous Driving under Deployment Perturbations [122.22391796628408]
  Bench2Drive-Robustは、クローズドループのエンドツーエンド自動運転のための最初のデバイス中心の堅牢性ベンチマークである。 我々は,カメラストリーム障害,エゴ状態推定誤差,計算による制御遅延という3つの主要な原因から生じる展開指向の摂動を系統的に評価した。 以上の結果から,これらの展開に伴う摂動は閉ループ駆動性能を著しく低下させる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-18T08:45:24Z)
• 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)
• FeaXDrive: Feasibility-aware Trajectory-Centric Diffusion Planning for End-to-End Autonomous Driving [9.654458127972736]
  FeaXDriveは、エンド・ツー・エンドの自動運転のための実現可能な軌道中心拡散計画法である。 この軌道中心の定式化に基づいて、FeaXDriveは適応的な曲率制約付きトレーニングを統合し、固有の幾何学的およびキネマティックな実現性を改善する。 NAVSIMベンチマークの実験では、FeaXDriveは強力なクローズドループ計画性能を達成している。
  論文  参考訳（メタデータ） (2026-04-14T12:24:54Z)
• SUPER-AD: Semantic Uncertainty-aware Planning for End-to-End Robust Autonomous Driving [36.91878828972102]
  本稿では,BEV空間におけるアレータリック不確実性を直接推定し,それを計画に組み込む,カメラのみのE2Eフレームワークを提案する。 本手法は,画素レベルの解像度で意味構造と幾何学的レイアウトの両方をキャプチャする,密度の高い不確実性を考慮したドライバビリティマップを生成する。
  論文  参考訳（メタデータ） (2025-11-28T03:50:44Z)
• 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)
• Enhancing End-to-End Autonomous Driving with Latent World Model [78.22157677787239]
  本稿では,LAW(Latent World Model)を用いたエンドツーエンド運転のための自己教師型学習手法を提案する。 LAWは、現在の特徴とエゴ軌道に基づいて将来のシーン機能を予測する。 この自己監督タスクは、知覚のない、知覚に基づくフレームワークにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2024-06-12T17:59:21Z)
• QuAD: Query-based Interpretable Neural Motion Planning for Autonomous Driving [33.609780917199394]
  自動運転車は環境を理解して適切な行動を決定する必要がある。 従来のシステムは、シーン内のエージェントを見つけるためにオブジェクト検出に依存していた。 我々は、最初に占有する時間的自律性を知覚するカスケードモジュールから遠ざかる、統一的で解釈可能で効率的な自律フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-01T21:11:43Z)
• Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
  本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。 我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
  論文  参考訳（メタデータ） (2022-03-04T16:14:33Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。