論文の概要: Designing Versatile Samples for Learned Trajectory Scoring

• arxiv url: http://arxiv.org/abs/2609.01799v1
• Date: Tue, 01 Sep 2026 19:08:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.939641
• Title: Designing Versatile Samples for Learned Trajectory Scoring
• Title（参考訳）: 学習軌跡スコーリングのためのVersatileサンプルの設計
• Authors: Yaguang Li, Jiaru Zhang, Chuheng Wei, Can Cui, Ziran Wang,
• Abstract要約: 我々は、スコアラーのより情報的な監督を提供するトレーニングデータセットを設計する。 トランスフォーマーベースのスコアラを、DiffusionDriveとMeanFuserの2つのフリーズ生成プランナにアタッチし、NAVSIMデータセットでトレーニングします。 実験の結果,ResNet-34ではDiffusionDriveで90.1S,MeanFuserで90.4S,それぞれ0.4Sと0.3Sを達成した。
• 参考スコア（独自算出の注目度）: 10.224639594992052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many current end-to-end driving policies emit a pool of candidate trajectories and select one, which makes selection a separable component: a scorer can be retrained while the planner, its backbone, and its trajectory generator all stay frozen. However, many strong planners concentrate their proposals around safe mode, providing limited supervision near decision boundaries. In this work, we design a training dataset that provides more informative supervision for the scorer. In particular, we construct two generators that perturb the logged human trajectory along the two axes a vehicle can be displaced: laterally toward the drivable boundary and longitudinally toward a leading vehicle. The designed dataset produces more informative positive and negative samples than the base planner's proposal pool. We attach a transformer-based scorer to two frozen generative planners, DiffusionDrive and MeanFuser, and train it on the NAVSIM navtrain dataset. The results of the experiments show that we achieve 90.1 EPDMS on DiffusionDrive and 90.4 EPDMS on MeanFuser when using ResNet-34, with 0.4 and 0.3 EPDMS respectively, from the designed training dataset.
• Abstract（参考訳）: 多くの現行のエンドツーエンドの駆動ポリシーでは、候補軌跡のプールを出力し、選択可能なコンポーネントを選択できる。 しかし、多くの強力なプランナーは安全モードについて提案に集中し、意思決定境界付近で限定的な監督を行っている。 本研究では,スコアラーのより情報的な監視を行うためのトレーニングデータセットを設計する。 特に、車両の2つの軸に沿って対向する人間軌道を摂動させる2つの発電機を構築し、横方向は乾燥可能な境界に向かって、縦方向は先頭車に向かっている。 デザインされたデータセットは、ベースプランナーの提案プールよりも、より有益な正と負のサンプルを生成する。 トランスフォーマーベースのスコアラをDiffusionDriveとMeanFuserの2つのフリーズした生成プランナにアタッチし、NAVSIMのnavtrainデータセットでトレーニングする。 その結果,DiffusionDriveでは90.1 EPDMS,MeanFuserでは90.4 EPDMS,ResNet-34では0.4 EPDMS,0.3 EPDMSでは0.3 EPDMSを達成した。

関連論文リスト

• DRIFT: Drift and Aggregation for Motion Planning [20.309189828710362]
  DRIFTは1ステップのドリフトをコンパクトな軌跡空間内でのドリフトとシーン認識型提案アグリゲーションを組み合わせた固定深度軌道プランナーである。 軽量アグリゲーションヘッドはこれらの特徴をシーン、ナビゲーション、エゴステート情報と統合し、最終軌道を直接予測する。 その出力は、専門家軌道の模倣と、乾燥可能なポリゴンの外側のウェイポイントをペナライズする地図由来境界正規化器で訓練されている。
  論文  参考訳（メタデータ） (2026-07-16T02:43:13Z)
• Test-Time Trajectory Optimization for Autonomous Driving [77.87162309994567]
  自動運転のためのエンド・ツー・エンドのプランナーは、通常、一連の候補軌跡を生成し、それぞれをスコアし、最高スコアの候補を返す。 我々は、スコアラを学習軌跡レベルの報酬関数として扱い、それを最大化する軌跡を探索する。 提案手法であるTOAD(Cross-Entropy Method:クロスエントロピー法)をテスト時に実行し,プランナーの提案からウォームスタートする。
  論文  参考訳（メタデータ） (2026-06-05T11:39:27Z)
• CLOVER: Closed-Loop Value Estimation and Ranking for End-to-End Autonomous Driving Planning [11.2767413780552]
  CLOVERはエンドツーエンドの自動運転計画のためのフレームワークである。 ジェネレータは多様な候補軌道を生成し、スコアは計画値のサブスコアを予測する。 ジェネレータは教師が選択したトップ$とベクターParetoターゲットに洗練される。
  論文  参考訳（メタデータ） (2026-05-14T17:32:18Z)
• RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework [49.531001563853984]
  RAD-2はクローズドループ計画のための統一されたジェネレータ・ディスクリミネーターフレームワークである。 様々な軌道候補を生成する一方、RL最適化判別器は、これらの候補を長期的な運転品質に応じて再現する。 強い拡散ベースのプランナーに比べて衝突速度を56%削減する。
  論文  参考訳（メタデータ） (2026-04-16T17:59:44Z)
• DiffusionDriveV2: Reinforcement Learning-Constrained Truncated Diffusion Modeling in End-to-End Autonomous Driving [65.7087560656003]
  エンドツーエンドの自動運転のための生成拡散モデルは、しばしばモード崩壊に悩まされる。 強化学習を利用して低品質モードを制約し,優れた軌道探索を行うDiffusionDriveV2を提案する。 これにより、そのコアであるガウス混合モデル固有の多重モード性を維持しながら、全体的な出力品質が大幅に向上する。
  論文  参考訳（メタデータ） (2025-12-08T17:29:52Z)
• FlowDrive: Energy Flow Field for End-to-End Autonomous Driving [50.89871153094958]
  FlowDriveは、物理的に解釈可能なエネルギーベースのフローフィールドを導入し、セマンティックな前提と安全性をBEV空間にエンコードする新しいフレームワークである。 NAVSIM v2ベンチマークの実験では、FlowDriveが最先端のパフォーマンスを86.3で達成し、安全性と計画品質の両方において以前のベースラインを超えたことが示されている。
  論文  参考訳（メタデータ） (2025-09-17T13:51:33Z)
• EvaDrive: Evolutionary Adversarial Policy Optimization for End-to-End Autonomous Driving [17.57364638932072]
  EvaDriveは、自動運転のための新しい強化学習フレームワークである。 ヒューマンライクな反復的意思決定のためのクローズドループ対向フレームワークを提供する。 NAVSIMとBench2Driveベンチマークの大規模な実験では、SOTAのパフォーマンスが示されている。
  論文  参考訳（メタデータ） (2025-08-05T11:26:28Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• End-to-end Interpretable Neural Motion Planner [78.69295676456085]
  複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。 我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。 北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-01-17T14:16:12Z)

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。