Fugu-MT 論文翻訳(概要): Driving on Memory

論文の概要: Driving on Memory

arxiv url: http://arxiv.org/abs/2608.31029v1
Date: Mon, 31 Aug 2026 16:10:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 18:31:31.500076
Title: Driving on Memory
Title（参考訳）: メモリ上での運転
Abstract要約: 高いベンチマークスコアは、モデルがその前のシーンを理解し、それに従って行動できることを反映すべきである。我々は、モデルのカメラ入力を、同じ場所にある前のドライブからのメモリに置き換える。メモリはNAVSIMでほぼ十分であり、主要なエンドツーエンドメソッドのパフォーマンスに到達または超える。
参考スコア（独自算出の注目度）: 44.83333974000826
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: End-to-end autonomous driving models plan future trajectories from raw sensor input. While earlier driving benchmarks often measured deviation from the human trajectory, current benchmarks such as NAVSIM and Bench2Drive evaluate models with richer simulation-based metrics intended to capture safe and compliant driving. A high benchmark score should reflect that a model can understand the scene in front of it and act accordingly. But how much of that score specifically comes from reacting to the dynamic part of that scene? To probe this, we remove a model's camera input and replace it with memories from prior drives at the same location. The retrieved memories can provide persistent scene information, including road layout and location-conditioned regularities, but not the current traffic state. Surprisingly, memory is nearly sufficient on NAVSIM, reaching or even exceeding the performance of leading end-to-end methods without actually observing the evaluated scene. Our results suggest that a high NAVSIM score does not require a planner to react to the current traffic scene and should be treated with caution. This effect is benchmark-dependent: driving from memory causes substantially larger performance drops on Bench2Drive and RealEngine. We provide our code at https://github.com/boschresearch/MemoryDrivoR .
Abstract（参考訳）: エンド・ツー・エンドの自動運転モデルは、生のセンサー入力から将来の軌道を計画する。初期の運転ベンチマークは人間の軌道からの偏差をしばしば測定していたが、NAVSIMやBench2Driveのような現在のベンチマークでは、安全でコンプライアンスのある運転を捉えることを目的とした、よりリッチなシミュレーションベースのメトリクスでモデルを評価している。高いベンチマークスコアは、モデルがその前のシーンを理解し、それに従って行動できることを反映すべきである。しかし、そのスコアのどれ程が、そのシーンのダイナミックな部分への反応から来ているのか? これを調べるために、モデルのカメラ入力を除去し、同じ位置にある前のドライブからのメモリに置き換える。検索した記憶は、現在の交通状況ではなく、道路レイアウトや位置条件の規則性を含む永続的なシーン情報を提供することができる。驚くべきことに、メモリはNAVSIMでほぼ十分であり、評価されたシーンを実際に観察することなく、リードエンド・ツー・エンドのメソッドのパフォーマンスに到達または超える。以上の結果から,NAVSIMスコアが高い場合,現在の交通状況に対処するプランナーは必要とせず,注意を要することが示唆された。この効果はベンチマークに依存しており、メモリからのドライブはBench2DriveとRealEngineの大幅なパフォーマンス低下を引き起こす。私たちはhttps://github.com/boschresearch/MemoryDrivoRでコードを公開しています。

関連論文リスト

PriorEye: Geospatial Visual Priors for End-to-End Autonomous Driving [8.847248042144681]
本稿では,デュアルメモリアーキテクチャと適応メモリゲートを備えたメモリ拡張モジュールを提案する。このアプローチは、さまざまなエンドツーエンドのベースラインにわたるパフォーマンスを一貫して改善します。本手法はセンサの破損に対するロバスト性を本質的に向上するが,デュアルメモリ設計は,検索した前処理が信頼できない場合に安全なフォールバックを保証する。
論文参考訳（メタデータ） (2026-06-30T15:36:48Z)
EvoMemNav: Efficient Self-Evolving Fine-Grained Memory for Zero-Shot Embodied Navigation [81.54723508469617]
EvoMemNavは、ゼロショットエンボディナビゲーションのための効率的で自己進化的できめ細かいメモリフレームワークである。 VSMGraphは、セマンティックキューとトポロジ的関係を持つビューをルームビューオブジェクト階層に整理する。 GOAT-BenchとHM3Dのオブジェクト、テキスト記述、画像ゴールのモダリティによる実験は、SR/SPLにおいて一貫した利得を示している。
論文参考訳（メタデータ） (2026-06-02T11:27:44Z)
A Survey of Spatial Memory Representations for Efficient Robot Navigation [4.560386676154887]
52のシステムにまたがる88の参照の空間記憶効率の問題を調査した。 M_textpeak / M_textmap$は、ピーク時メモリ(操作中に消費される全RAMまたはGPUメモリ)と保存されたマップサイズとの比率である。
論文参考訳（メタデータ） (2026-04-13T02:12:17Z)
CrashSight: A Phase-Aware, Infrastructure-Centric Video Benchmark for Traffic Crash Scene Understanding and Reasoning [27.23760411917563]
textbfCrashSightは,現実の道路カメラデータを用いた道路事故理解のための視覚ベンチマークである。データセットは250のクラッシュビデオで構成されており、2階層の分類の下で構成された13Kの質問応答ペアが注釈付けされている。我々は8つの最先端のVLMをベンチマークし、強いシーン記述能力にもかかわらず、現在のモデルは安全クリティカルなシナリオにおける時間的・因果的推論に苦戦していることを示す。
論文参考訳（メタデータ） (2026-04-09T16:52:04Z)
TARS: Traffic-Aware Radar Scene Flow Estimation [7.031882453765095]
シーンフローは、自動運転にとって重要な動き情報を提供する。近年のLiDARシーンフローモデルでは, インスタンスレベルでの剛性運動仮定が用いられている。本稿では,新しい交通認識レーダシーンフロー推定手法を提案する。
論文参考訳（メタデータ） (2025-03-13T09:54:08Z)
NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
論文参考訳（メタデータ） (2024-06-21T17:59:02Z)
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)
Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
論文参考訳（メタデータ） (2023-12-13T23:06:30Z)
DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文参考訳（メタデータ） (2023-04-03T17:37:00Z)
Driving Safety Prediction and Safe Route Mapping Using In-vehicle and Roadside Data [3.8103848718367597]
セーフルートマッピング(SRM)モデルは、予測を行う際のドライバの動作を検討するために拡張される。 Androidアプリはドライバーの情報を収集してサーバにアップロードするように設計されている。ダイナミックな交通情報は道端のカメラで捕捉され同じサーバーにアップロードされる LightGBMモデルは、次の1、2秒でドライバーの競合指標を予測するために導入された。
論文参考訳（メタデータ） (2022-09-12T20:39:33Z)
Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文参考訳（メタデータ） (2021-09-16T13:10:27Z)

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。