論文の概要: RoG-DAgger: Rollout-Guided Post-Training for End-to-End Driving
- arxiv url: http://arxiv.org/abs/2608.24525v1
- Date: Tue, 25 Aug 2026 13:11:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.993292
- Title: RoG-DAgger: Rollout-Guided Post-Training for End-to-End Driving
- Title（参考訳）: RoG-DAgger: エンドツーエンド運転のためのロールアウトガイド付きポストトレーニング
- Abstract要約: RoG-DAggerは、短期間のロールアウトを使用して、安全クリティカルな州で専門家によるデモンストレーションを構築する、ポストトレーニングフレームワークである。
エンド・ツー・エンドモデルのSimLingoを5.3のドライブスコアポイントと6.2%の成功率で改善する。
また、Longest6 v2では22から44に、Fail2Driveでは55%から66%に改善されている。
- 参考スコア（独自算出の注目度）: 2.654965784359464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent end-to-end driving systems demonstrate strong performance on closed-loop benchmarks, yet are still predominantly trained on fixed expert-collected data using open-loop imitation learning. This training-inference mismatch leaves the policy vulnerable in policy-induced states, where accumulated errors can lead to safety-critical failures. A promising post-training approach to overcome this issue is Dataset Aggregation (DAgger), which gathers expert demonstrations in policy-induced states and subsequently fine-tunes the policy on the resulting aggregated dataset. Existing driving DAgger pipelines, however, face three challenges: i) the expert is restricted to a limited trajectory-and-speed solution space, ii) takeover may occur too early or too late relative to impending failures, and iii) privileged expert decisions may rely on information unavailable to the student. To address this, we introduce RoG-DAgger, a post-training framework that uses short-horizon kinematic rollouts to construct high-quality expert demonstrations in safety-critical states. Specifically, RoG-DAgger expands the expert's trajectory-and-speed solution space and evaluates candidate plans through rollout to construct preventive supervision. Moreover, it uses rollout solvability to time the takeover near the estimated point of no return. Lastly, it aligns the expert's field of view with that of the student to provide student-compatible supervision. Across in-distribution (including long-horizon) and out-of-distribution evaluations, RoG-DAgger improves the end-to-end model SimLingo by 5.3 driving-score points and 6.2 percentage points in success rate on Bench2Drive, doubles its driving score from 22 to 44 on Longest6 v2, and improves out-of-distribution success rate from 55\% to 66\% on Fail2Drive.
- Abstract（参考訳）: 近年のエンド・ツー・エンドの運転システムはクローズドループのベンチマークでは高い性能を示しているが、依然としてオープンループの模倣学習を用いて、固定された専門家によるデータに基づいて訓練が続けられている。
このトレーニング推論ミスマッチは、ポリシーによって引き起こされる状態に脆弱な状態を残します。
この問題を解決するための有望なポストトレーニングアプローチとして、Dataset Aggregation(DAgger)がある。
しかし、既存のDAggerパイプラインの運転には3つの課題がある。
一 専門家は、限られた軌道及び速度の解空間に制限される。
二 倒産が差し迫った失敗に対して早すぎること又は遅すぎること。
三 特権専門家の決定は、学生が利用できない情報に依存することができる。
この問題に対処するために,ログダガー(RoG-DAgger)というポストトレーニングフレームワークを紹介した。
具体的には、RoG-DAggerは専門家のトラジェクティブ・アンド・スピード・ソリューション・スペースを拡張し、ロールアウトを通じて候補計画を評価し、予防的監視を構築する。
さらに、ロールアウト可解性を使用して、推定されたリターン点付近のテイクオーバーをタイムアウトする。
最後に、専門家の視点を学生の視点と整合させ、学生互換の監督を提供する。
ディストリビューション(ロングホライゾンを含む)とアウト・オブ・ディストリビューション評価、RoG-DAggerは、エンド・ツー・エンドモデルのSimLingoをBench2Driveで5.3のドライブスコアポイントと6.2%の成功率で改善し、Longest6 v2で22から44に倍増し、Fail2Driveでアウト・オブ・ディストリビューションの成功率を55\%から66\%に改善した。
関連論文リスト
- Staying on the Attack Path: Structured State for Long-Horizon Automated Penetration Testing [17.809156797437208]
Intentestはインテントグラフ誘導型自動浸透試験剤である。
LLMのコンテキストウィンドウからの長い水平状態を、永続的なファクトインテント指向の非巡回グラフに外部化する。
総合的な成功率は88.2%、成功率は75.0%である。
論文 参考訳（メタデータ） (2026-09-07T11:09:01Z) - FailForge: Distilling Procedural Competence from Persistent Failures into Code Agents [49.519184792774304]
FailForgeは、失敗したロールアウトをトレーニングシグナルに変換するエージェントフレームワークである。
FailForgeは、これまで失敗したインスタンスの26%を、限界的な追加コストでリカバリする。
論文 参考訳（メタデータ） (2026-08-09T08:22:57Z) - SearchAuditor: Auditing and Attributing Failures in Long-Horizon Search Agents [56.400332595452966]
我々は、監査人が検索エージェントの障害をローカライズ、属性付け、修復できるかどうかを評価するベンチマークであるSearchAuditBenchを紹介する。
SearchAuditBenchは1,243の障害トラックで構成され、平均73.1メッセージと65.1Kトークンを5つのディープサーチベンチマークで8つのオープンウェイトモデルから収集している。
本稿では,検索エージェントの障害を効果的にローカライズ,属性,修復するマルチパースペクティブ監査フレームワークであるSearchAuditorを提案する。
論文 参考訳（メタデータ） (2026-08-05T09:09:00Z) - HERO: History-Enriched Rollout Training for Long-Horizon Autoregressive Neural Operators [17.3214708475049]
自動回帰ロールアウトはすべての予測エラーを入力として返送するので、ローカルエラーは蓄積される。
既存のロールアウトトレーニング戦略は、トレーニング入力と自己生成状態のミスマッチを減らすが、彼らの監督は依然として、地道軌道からの絶対的な差のみを計測している。
本研究では,従来の絶対軌道監視をモデル最適化履歴から導いた相対的監督に拡張する履歴強化型ロールアウトトレーニング(HERO)を提案する。
論文 参考訳（メタデータ） (2026-07-31T08:05:46Z) - 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) - TurnOPD: Making On-Policy Distillation Turn-Aware for Efficient Long-Horizon Agent Training [52.6661804966136]
オンライン蒸留(英語版) (OPD) は、生徒自身の軌道上の強い教師と一致することによって、生徒の政策を訓練する。
本研究では, 長期化剤の高効率蒸留のためのターンレベルの予算化戦略であるTurnOPDを提案する。
論文 参考訳（メタデータ） (2026-07-07T03:56:35Z) - DRIFT: Difficulty Routing Self-DIstillation with Rhythm-Gated Exploration and Success BuFfer Training [12.82389963785782]
DRIFTは、大規模言語モデルのためのオンライン自己進化ポリシー最適化フレームワークである。
これは、難易度ルーティングとリズムゲーティングを併用することで、モデルの自己改善プロセスを規制する。
5つのベンチマークと3つのモデルスケールで評価し、DRIFTはGRPOとSDPOのピーク性能を上回った。
論文 参考訳（メタデータ） (2026-06-29T14:20:47Z) - Speculative Rollback Correction for Quality-Diverse Web Agent Imitation [43.603850569331975]
専門家の軌道から模倣学習を通じて対話型Webエージェントを訓練することは、非常に効果的なアプローチとして現れている。
リセット可能なエージェント環境のためのブランチレベルの模倣フレームワークであるSRC(Speculative Rollback Correction)を提案する。
論文 参考訳（メタデータ） (2026-06-10T08:56:27Z) - AOI: Turning Failed Trajectories into Training Signals for Autonomous Cloud Diagnosis [19.899469614370478]
大規模言語モデル(LLM)エージェントは、SRE(Site Reliability Engineering)を自動化するための有望なデータ駆動型アプローチを提供する
本稿では,セキュリティ制約下での構造化軌道学習問題として,自動操作を定式化したトレーニング可能なマルチエージェントフレームワークAOIを提案する。
論文 参考訳（メタデータ） (2026-03-03T02:57:33Z) - CoReVLA: A Dual-Stage End-to-End Autonomous Driving Framework for Long-Tail Scenarios via Collect-and-Refine [73.74077186298523]
CoReVLAは、自動運転のための継続的学習フレームワークである。
データコレクションとビヘイビアリファインメントの2段階プロセスを通じて、ロングテールシナリオのパフォーマンスを改善する。
CoReVLAは72.18のドライビングスコア(DS)と50%の成功率(SR)を達成し、7.96DSの最先端手法と15%SRの長期的安全クリティカルシナリオで性能を向上する。
論文 参考訳（メタデータ） (2025-09-19T13:25:56Z) - RAD: Training an End-to-End Driving Policy via Large-Scale 3DGS-based Reinforcement Learning [54.52545900359868]
3DGSをベースとしたエンドツーエンド自動運転のためのクローズドループ強化学習フレームワークRADを提案する。
安全性を高めるため、我々は、安全クリティカルな事象に効果的に対応し、現実世界の因果関係を理解するために、政策の指針となる特別報酬を設計する。
IL法と比較して、RADは閉ループのほとんどの測定値において、特に3倍の衝突速度を示す。
論文 参考訳（メタデータ） (2025-02-18T18:59:21Z)
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。