論文の概要: Learning-Based Behavior Planning for Automated Driving: Real-World Integration and Deployment

• arxiv url: http://arxiv.org/abs/2608.12198v1
• Date: Wed, 12 Aug 2026 15:52:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.631913
• Title: Learning-Based Behavior Planning for Automated Driving: Real-World Integration and Deployment
• Title（参考訳）: 自動運転のための学習に基づく行動計画:実世界統合と展開
• Abstract要約: 本稿では、機械学習の利点と検証可能性と古典的アプローチの決定性を組み合わせたハイブリッド計画アーキテクチャを提案する。 具体的には、複雑な交通シーンを解釈し、運転行動を提案するディープニューラルネットワークを開発し、最適化ベースの監視層がこの提案を検証し、明確な乾燥性と安全性の制約を強制する。
• 参考スコア（独自算出の注目度）: 2.099922236065961
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent research in machine and deep learning has shown the potential of learningbased motion planning approaches to improve the driving behavior of automated vehicles, especially in complex environments. However, their complex nature and lack of transparency can hinder explainability and trustworthiness and complicate safety assurance. Motivated by these challenges, we propose a hybrid planning architecture that combines the advantages of machine learning with the verifiability and the determinism of classical approaches. Specifically, we developed a deep neural network to interpret complex traffic scenes and propose driving behavior, while an optimization-based supervision layer validates this proposal and enforces explicit drivability and safety constraints. We evaluate the learned planner's driving behavior in open-loop studies on real-world urban data, discuss system integration aspects for stable closed-loop operation, and report results from real-world deployment on our research vehicle karl..
• Abstract（参考訳）: 機械学習とディープラーニングの最近の研究は、特に複雑な環境での自動車の運転行動を改善するための学習に基づく運動計画手法の可能性を示している。 しかし、それらの複雑な性質と透明性の欠如は、説明可能性や信頼性を妨げ、安全性の保証を複雑にする。 これらの課題に乗じて、機械学習の利点と検証可能性と古典的アプローチの決定性を組み合わせたハイブリッド計画アーキテクチャを提案する。 具体的には、複雑な交通シーンを解釈し、運転行動を提案するディープニューラルネットワークを開発し、最適化ベースの監視層がこの提案を検証し、明確な乾燥性と安全性の制約を強制する。 我々は,実世界の都市データを対象としたオープンループ研究における学習プランナーの運転行動を評価し,安定したクローズドループ運用のためのシステム統合の側面について議論し,実世界のカールへの展開の結果を報告する。 と。

関連論文リスト

• World Engine: Towards the Era of Post-Training for Autonomous Driving [63.61277741443647]
  実世界のログから高忠実度インタラクティブ環境を再構築する生成フレームワークであるWorld Engineを紹介する。 World Engineは、稀な安全クリティカルなシナリオにおける障害を大幅に削減し、事前トレーニングデータのみをスケールするよりもはるかに大きな利益をもたらす。 プロダクションスケールの自動運転システムにデプロイすると、結果として、シミュレートされた衝突を減らすことができる。
  論文  参考訳（メタデータ） (2026-06-18T06:28:33Z)
• A Review of Learning-Based Motion Planning: Toward a Data-Driven Optimal Control Approach [9.141034088788233]
  高レベルの自律運転のための運動プランニングは、透明で不安定なパイプライン方式と、現代の学習ベースシステムの適応的で不透明な「ブラックボックス」特性とのトレードオフによって制約される。 本稿では,古典的制御と機械学習の適応能力を統合する統一フレームワークとして,データ駆動型最適制御パラダイムを提案する。 本稿では,「Human-Centric」のカスタマイズ,「Platform-Adaptive」の動的適応,自己学習による「System Self-Optimization」の3つの重要な次世代機能を実現するためのフレームワークの可能性を検討する。
  論文  参考訳（メタデータ） (2025-12-12T14:01:24Z)
• 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 Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
  本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。 適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
  論文  参考訳（メタデータ） (2023-11-28T03:13:09Z)
• The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review [43.30610493968783]
  我々は、最先端のディープラーニングベースの計画システムについてレビューし、どのように予測を統合するかに焦点を当てる。 異なる統合原則の意味、強み、限界について論じる。
  論文  参考訳（メタデータ） (2023-08-10T17:53:03Z)
• 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)
• CADRE: A Cascade Deep Reinforcement Learning Framework for Vision-based Autonomous Urban Driving [43.269130988225605]
  複雑な都市環境と運転行動のダイナミクスのため、高密度交通における視覚に基づく自律走行は極めて困難である。 本稿では,モデルフリーな視覚に基づく自律型都市走行を実現するために,新しいCAscade Deep Reinforcement LearningフレームワークCADREを提案する。
  論文  参考訳（メタデータ） (2022-02-17T10:07:16Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)

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。