論文の概要: MomADv2: Reliable Temporal Memory for End-to-End Autonomous Driving
- arxiv url: http://arxiv.org/abs/2608.23405v1
- Date: Mon, 24 Aug 2026 15:51:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.187334
- Title: MomADv2: Reliable Temporal Memory for End-to-End Autonomous Driving
- Title（参考訳）: MomADv2: エンドツーエンド自動運転のための信頼性の高い一時記憶
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 37.331403884871136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon planning is critical for safe autonomous driving in complex scenarios. Existing methods improve planning continuity with temporal memory, but such memory may become invalid and mislead decisions when the driving command changes. Thus, selectively leveraging useful history while suppressing command-inconsistent memory remains a key challenge. To address this issue, we propose MomADv2, a reliable state-space memory framework for long-horizon end-to-end autonomous driving. At its core, MomADv2 introduces a Selective State-Space Planning Memory Query Module, which filters historical planning queries based on temporal continuity and command consistency, selects planning modes relevant to the current command, and models the evolution of planning intentions through a selective state-space mechanism. To further alleviate local trajectory deviations and error accumulation in long-horizon planning, we design a Flow-Matching Trajectory Residual Refiner. It learns a continuous residual correction field from the refined planning output to the expert trajectory, enabling fine-grained trajectory refinement while preserving the stability of anchor-based planning. Extensive experiments on closed-loop NAVSIM and Bench2Drive, as well as open-loop nuScenes, demonstrate that MomADv2 improves long-horizon planning consistency and reduces the average collision rate by 15.6% over MomAD under 6-second planning.
- Abstract（参考訳）: ロングホライゾン計画は、複雑なシナリオにおける安全な自動運転に不可欠である。
既存の方法は、時間記憶による計画継続性を改善するが、駆動コマンドが変更されると、そのようなメモリは無効になり、誤った判断を下す可能性がある。
したがって、コマンド一貫性のないメモリを抑えながら有用な履歴を選択的に活用することは重要な課題である。
この問題に対処するために,長距離エンドツーエンド自動運転のための信頼性の高い状態空間メモリフレームワークであるMomADv2を提案する。
このモジュールは、時間的連続性とコマンド一貫性に基づいて履歴計画クエリをフィルタリングし、現在のコマンドに関連する計画モードを選択し、選択された状態空間メカニズムを通じて計画意図の進化をモデル化する。
長期計画における局所軌道偏差と誤差蓄積を緩和するため,フローマッチング軌道残差リファイナを設計する。
改良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し、アンカーベース計画の安定性を維持しつつ、きめ細かな軌道修正を可能にする。
クローズドループのNAVSIMとBench2Drive、およびオープンループのnuScenesに関する大規模な実験は、MomADv2が長期計画の一貫性を改善し、平均衝突速度を6秒の計画で15.6%減少させることを示した。
関連論文リスト
- Control-Informed Constraint Adaptation in Minimum-Time Trajectory Planning for Autonomous Racing [41.40585589054522]
軌道プランナーは完全な追跡を前提とし、実行エラーを無視する。
制御インフォームドオンライン軌道計画フレームワークを導入し,実行エラーから学習する。
計算負荷を増大させることなくラップタイムを1.8秒短縮できることを示す。
論文 参考訳（メタデータ） (2026-08-14T16:32:12Z) - Shift & Drift: A Zero-Shot Benchmark for Generalizable and Robust Autonomous Driving Motion Planning [60.888463449435484]
シフト・アンド・ドリフト(Shift & Drift)は、分散シフトの2つの重要な軸にまたがる、厳密なストレス-テスト運動プランナーのための新しいデュアルトラックベンチマークである。
擬似学習手法は,IDベンチマークにおいて高いスコアを得るが,時間的に相関したアクティベーションノイズを受けると持続的なドリフトに悩まされることを示す。
本研究は, 模擬忠実度と閉ループレジリエンスのトレードオフを実証的に明らかにし, 信頼性の高い展開に向けた進捗を評価するための厳密なベンチマークをコミュニティに提供する。
論文 参考訳（メタデータ） (2026-07-08T18:23:48Z) - Diffusion Forcing Planner: History-Annealed Planning with Time-Dependent Guidance for Autonomous Driving [5.572022450868073]
Diffusion Forcing Planner (DFP) は、歴史誘導制御によって駆動される拡散ベースの計画フレームワークである。
DFPは全軌道を歴史、現在、将来のセグメントに分解し、各セグメントに独立したノイズレベルを割り当てる。
論文 参考訳（メタデータ） (2026-06-09T15:56:41Z) - Branch-Stochastic Model Predictive Control for Motion Planning under Multi-Modal Uncertainty with Scenario Clustering [4.456206353869196]
本稿では,SMPCと分岐構造を組み合わせた新しい手法を提案する。
高レベルの決定類似性に基づいて予測シナリオをマージし,リアルタイムのトラクタビリティを確保するために,新たなシナリオクラスタリングを提案する。
高速道路のシナリオにおけるシミュレーション研究は,提案手法が安全性を向上し,保守性を低下させ,リアルタイムな計算性能を実現することを実証している。
論文 参考訳（メタデータ） (2026-05-21T15:15:16Z) - Long-Horizon Manipulation via Trace-Conditioned VLA Planning [55.80061850746898]
LoHo-Manipは、短い水平VLA実行を専用のタスク管理VLMを介して長い水平命令にスケールするフレームワークである。
LoHo-Manipは、サブタスクシーケンスと明示的な完了+残り分割を軽量言語メモリとして組み合わせた、進捗対応の残計画を予測する。
実行器VLAは、レンダリングされたトレースの条件に適合し、長い水平決定を繰り返しローカル制御に変換する。
論文 参考訳（メタデータ） (2026-04-23T17:59:04Z) - Laplacian Representations for Decision-Time Planning [20.25004555858261]
複数の時間スケールで状態空間距離をキャプチャすることで、ラプラシア表現が計画に有効な潜在空間を提供することを示す。
この表現は意味のある距離を保ち、自然に長い水平問題をサブゴールに分解し、長い予測地平線上で生じる複合誤差を緩和する。
階層的計画アルゴリズムであるALPSを導入し、OGBenchのオフラインゴール条件付きRLタスクの選択において、一般的に使用される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） (2026-02-04T20:34:50Z) - AlignDrive: Aligned Lateral-Longitudinal Planning for End-to-End Autonomous Driving [23.843979782864427]
計画段階では、最先端の自律走行モデルは計画を平行横方向と縦方向の予測に分離する。
本稿では,ドライブパスに対して縦方向の計画を明示的に規定する新しいケースケードフレームワークを提案する。
本手法では, 運転スコア89.07, 成功率73.18%のSOTAを新たに設定し, コーディネーションと安全性を著しく向上した。
論文 参考訳（メタデータ） (2026-01-05T03:41:20Z) - Long-Context State-Space Video World Models [66.28743632951218]
本稿では、状態空間モデル(SSM)を活用して、計算効率を損なうことなく時間記憶を拡張する新しいアーキテクチャを提案する。
我々の設計の中心はブロックワイズSSMスキャン方式であり、時間記憶の拡張のために空間整合性を戦略的にトレードオフする。
メモリ迷路とMinecraftのデータセットの実験は、我々のアプローチが長距離メモリ保存のベースラインを超えたことを示している。
論文 参考訳（メタデータ） (2025-05-26T16:12:41Z) - Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。
Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-05-23T09:22:19Z) - Extendable Long-Horizon Planning via Hierarchical Multiscale Diffusion [62.91968752955649]
本稿では,学習データよりも長い軌道計画を行うための,拡張可能な長期計画支援エージェントの課題に対処する。
より短いものを縫い合わせることで、より長い軌跡を反復的に生成する拡張法を提案する。
HM-ディフューザーは階層構造を用いてこれらの拡張軌道を訓練し、複数の時間スケールにわたるタスクを効率的に処理する。
論文 参考訳（メタデータ） (2025-03-25T22:52:46Z) - EPD: Long-term Memory Extraction, Context-awared Planning and Multi-iteration Decision @ EgoPlan Challenge ICML 2024 [50.89751993430737]
本研究では,長期記憶抽出,コンテキストアウェアド計画,多項目決定という3段階からなる新しい計画手法を提案する。
EPDは1,584のエゴセントリックなタスク計画質問に対して53.85%の計画精度を達成した。
論文 参考訳（メタデータ） (2024-07-28T15:14:07Z)
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。