論文の概要: Not All History Helps: Velocity-Aware Selective Memory for Long-Horizon End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2608.15573v1
• Date: Sun, 16 Aug 2026 06:41:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.341515
• Title: Not All History Helps: Velocity-Aware Selective Memory for Long-Horizon End-to-End Autonomous Driving
• Title（参考訳）: すべての歴史が役に立つわけではない: 長距離エンドツーエンド自動運転のためのベロシティ対応選択メモリ
• Abstract要約: 本研究では,周期的履歴の信頼性と水平内移動ステージの進化に対処するために,StableDriveを提案する。 MomAD評価プロトコルの下でのnuScenesでは、StableDriveは1秒から6秒間のレポートされたすべての計画メトリクスでSOTAを達成している。 縦-遷移のヌスケーン(LT-nuScenes)では、スタブルドライブは6-sの衝突速度を23.81%、TPCは10.90%、L2は6.37%減少させる。
• 参考スコア（独自算出の注目度）: 20.970999540713326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable long-horizon planning remains a key challenge in end-to-end autonomous driving. By accounting for future motion evolution and potential consequences, it provides forward-looking guidance for safe and consistent driving in evolving traffic environments. Existing methods use historical planning states as temporal context. Self-generated history may become stale or conflict with the current motion stage, introducing unreliable priors. We propose StableDrive to address cross-cycle historical reliability and within-horizon motion-stage evolution. Selective Momentum Memory (SMM), implemented with a Mamba selective state-space operator, controls the influence of the preceding self-predicted planning state on the current cycle. Motion-Stage Training Scaffold (MSTS) uses motion-stage, long-horizon trajectory, and longitudinal-motion supervision to guide stage-aware future motion learning and is removed before inference. A fixed parameter midpoint between two architecture-aligned endpoints yields a single deployable SMM planner without model ensembling or extra inference-time computation. On nuScenes under the MomAD evaluation protocol, StableDrive achieves SOTA performance across all reported planning metrics from 1 to 6 s, reducing average collision rate by 23.3%, TPC by 30.9%, and L2 by 11.8% over the best previously reported value for each metric. On the curated Longitudinal-Transition nuScenes (LT-nuScenes), StableDrive reduces 6-s collision rate by 23.81%, TPC by 10.90%, and L2 by 6.37%. On NAVSIM v1 and v2, StableDrive achieves the highest PDMS/EPDMS in all three reported settings, including a 5.7-point EPDMS gain on v2 navhard over the previous best.
• Abstract（参考訳）: 信頼性の高い長距離計画は、エンドツーエンドの自動運転において重要な課題である。 将来の動きの進化と潜在的な結果を考慮することで、進化する交通環境における安全で一貫した運転のための前向きなガイダンスを提供する。 既存の手法では、時間的文脈として歴史的計画状態を使用する。 自己生成された歴史は、現在の動き段階と不安定または衝突し、信頼できない先入観をもたらすことがある。 本研究では,周期的履歴の信頼性と水平内移動ステージの進化に対処するために,StableDriveを提案する。 選択モメンタムメモリ(SMM)は、マンバ選択状態空間演算子によって実装され、前回の自己予測計画状態が現在のサイクルに与える影響を制御する。 Motion-Stage Training Scaffold (MSTS) は、モーションステージ、ロングホライゾン軌道、縦移動監視を用いて、将来のモーション学習を誘導し、推論の前に除去する。 2つのアーキテクチャに整合したエンドポイント間の固定パラメータミドルポイントは、モデルアンサンブルや余分な推論時間計算なしで単一のデプロイ可能なSMMプランナを生成する。 MomAD評価プロトコルの下でのnuSceneでは、StableDriveは、レポートされたすべての計画指標のSOTA性能を1から6秒で達成し、平均衝突率を23.3%、TPCを30.9%、L2を11.8%削減した。 キュレートされた経年変化のヌスケ(LT-nuScenes)では、スタブルドライブは6-sの衝突速度を23.81%、TPCは10.90%、L2は6.37%減少させる。 NAVSIM v1とv2では、StableDriveは3つの報告された設定の中でPDMS/EPDMSが最も高い。

関連論文リスト

• MomADv2: Reliable Temporal Memory for End-to-End Autonomous Driving [37.331403884871136]
  MomADv2は、エンドツーエンドの自動運転のための信頼性の高いステートスペースメモリフレームワークである。 時間的連続性とコマンド一貫性に基づいて、履歴プランニングクエリをフィルタリングする。 洗練された計画出力から専門家軌道への連続的残差補正場を学習する。
  論文  参考訳（メタデータ） (2026-08-24T15:51:07Z)
• DREAM Technical Report [53.37525197047151]
  DREAMは、既存のパイプラインの上に認識認識、オーケストレーション、監査可能なポリシ層を追加し、それを置き換えることなく、自律的な最適化制御アーキテクチャである。 DREAMには2つのコアコンポーネントがある。まず、3層Intent Engineはデバイス上の信号を構造化されたL0/L1/L2インテント表現に融合する。エッジクラウドトリガーチェーンはレポートのボリュームを約8.7%に削減する。 第2に、Meta EngineはMetaModelを使って、層状M1-to-M2-to-M3推論(インテントの要約、ストラテジーメモリに通知されるストラテジープランニング、パラメータ変換など)を定式化したM1-to-M2-to-M3推論に使用します。
  論文  参考訳（メタデータ） (2026-08-10T10:35:32Z)
• Steins;Gate Drive: Semantic Safety Arbitration over Structured Futures for Latency-Decoupled LLM Planning [4.025443168660699]
  SteinsGateDriveは遅延分離型プランナーランタイムアーキテクチャである。 本稿では,遅延分離型プランナーランタイムアーキテクチャであるSteinsGateDriveを紹介する。
  論文  参考訳（メタデータ） (2026-05-21T13:20:51Z)
• LLaViDA: A Large Language Vision Driving Assistant for Explicit Reasoning and Enhanced Trajectory Planning [28.59507336524504]
  軌道計画は、自律運転の基本的かつ挑戦的な要素である。 物体の動き予測に視覚言語モデル(VLM)を利用するLLaViDAを提案する。 NuScenesベンチマークでは、LLaViDAは最先端のエンドツーエンドおよび最近のVLM/LLMベースのベースラインを超越して、オープンループ軌道計画タスクを実行している。
  論文  参考訳（メタデータ） (2025-12-20T04:38:35Z)
• Mimir: Hierarchical Goal-Driven Diffusion with Uncertainty Propagation for End-to-End Autonomous Driving [17.533465904228844]
  そこで我々は,不確実性推定を伴うゴールポイントに依存するロバストな軌跡を生成可能な,新しい階層型デュアルシステムフレームワークであるMimirを提案する。 Mimirは従来の最先端の手法を20%改善し、ハイレベルなモジュール推論速度の1.6倍の改善を実現している。
  論文  参考訳（メタデータ） (2025-12-08T03:31:25Z)
• KEPT: Knowledge-Enhanced Prediction of Trajectories from Consecutive Driving Frames with Vision-Language Models [19.625631486595505]
  本稿では,知識に富んだ視覚言語フレームワークであるKEPTを紹介する。 連続するフロントビュー駆動フレームから直接エゴ軌道を予測する。 オープンループプロトコル間の最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-09-03T03:10:42Z)
• 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)
• DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
  DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。 タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。 シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-07T11:41:18Z)
• Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
  本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。 我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-06T09:12:30Z)
• STT: Stateful Tracking with Transformers for Autonomous Driving [48.621552393062686]
  三次元空間における物体の追跡は、自律走行に不可欠である。 運転中の安全性を確保するため、トラッカーはフレーム全体の物体を確実に追跡し、現在の速度や加速度などの状態を正確に推定する必要がある。 本研究では,トランスフォーマーで構築したステートフルトラッキングモデルであるSTTを提案する。
  論文  参考訳（メタデータ） (2024-04-30T23:04:36Z)
• 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)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)

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。