論文の概要: DiffuSearch: How Hybrid Trajectory Planning Benefits from Aligned Objectives in Diffusion and Action Space

• arxiv url: http://arxiv.org/abs/2609.02252v1
• Date: Wed, 02 Sep 2026 08:00:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.144042
• Title: DiffuSearch: How Hybrid Trajectory Planning Benefits from Aligned Objectives in Diffusion and Action Space
• Title（参考訳）: DiffuSearch: 拡散と行動空間における対象物からのハイブリッド軌道計画の効果
• Abstract要約: DiffuSearchは、ジェネレーションとリファインメントをまたいだ統一された目的セットを使用する、新しいハイブリッドプランナーである。 私たちのモデルは、衝突回避、乾燥可能な領域コンプライアンス、快適さ、進捗といった、すべてのコンポーネントが同じ共有運転目標に従うように促します。 nuPlanとinterPlanリアクティブクローズループベンチマークの実験は、DiffuSearchが強く、しばしば最先端のパフォーマンスを達成することを示した。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In trajectory planning for autonomous driving, hybrid planning architectures are often realized as a collection of disparate modules, each with its own objectives. This lack of a unifying principle can lead to inconsistencies between the initial and refined trajectory, resulting in suboptimal behavior. We address this by introducing DiffuSearch, a novel hybrid planner that uses a unified set of objectives across generation and refinement. Our model encourages all components to follow the same shared driving goals: collision avoidance, drivable area compliance, comfort, and progress. DiffuSearch employs a two-stage architecture. First, a guided diffusion model generates a scene-consistent, joint trajectory prediction, using our driving objectives as differentiable guidance functions to implicitly steer the denoising process. Second, a Monte Carlo Tree Search (MCTS) in a discretized action space performs an explicit, local refinement of this proposal, leveraging the same driving objectives as its reward function. This synergistic design leverages the diffusion model's strength in finding scene-consistent solutions combined with the explainable, constraint-aware refinement of MCTS. Experiments on nuPlan and interPlan reactive closed-loop benchmarks demonstrate that DiffuSearch achieves strong and often state-of-the-art performance, substantially reducing collisions and improving comfort, particularly in complex, interactive scenarios. Our ablation studies indicate that MCTS refinement is the main mechanism behind the gains, while sharing objectives between implicit guidance and explicit search provides further consistent improvements.
• Abstract（参考訳）: 自律走行のための軌道計画において、ハイブリッド計画アーキテクチャは、しばしば異なるモジュールの集合として実現され、それぞれ独自の目的を持つ。 この統一原理の欠如は、初期軌道と洗練された軌道の矛盾を招き、準最適挙動をもたらす。 DiffuSearchは、ジェネレーションとリファインメントをまたいだ統一された目標セットを使用する、新しいハイブリッドプランナです。 私たちのモデルは、衝突回避、乾燥可能な領域コンプライアンス、快適さ、進捗といった、すべてのコンポーネントが同じ共有運転目標に従うように促します。 DiffuSearchは2段階アーキテクチャを採用している。 まず, 誘導拡散モデルを用いて, 走行目標を識別可能な誘導関数として用い, シーン一貫性のある共同軌道予測を生成する。 第二に、離散化された行動空間におけるモンテカルロ木探索(MCTS)は、その報酬関数と同じ駆動目標を活用することで、この提案の明示的で局所的な改善を行う。 この相乗的設計は、シーン一貫性のある解を見つける際の拡散モデルの強みと、MCTSの説明可能な制約を意識した改良とを組み合わせたものである。 nuPlanとInterPlanリアクティブクローズループベンチマークの実験は、DiffuSearchが強く、しばしば最先端のパフォーマンスを実現し、衝突を著しく低減し、快適さ、特に複雑でインタラクティブなシナリオにおいて改善していることを示している。 我々のアブレーション研究は、MCTSの改良が利益の背景にある主要なメカニズムであり、暗黙のガイダンスと明示的な検索の目的を共有することは、さらなる一貫した改善をもたらすことを示唆している。

関連論文リスト

• One Diffusion Model, Two Roles: Guided Trajectory Planning and Safety-Critical Scenario Generation in Closed-Loop Simulation [4.570068778162319]
  本研究では,1つの事前学習拡散交通モデルが,自律走行開発ループにおいて2つの補完的な役割を果たすことを示す。 計画面では,単一ストリームデュアルストリーム(SSDS)拡散変換器デコーダを導入する。 我々は,制御可能なシナリオジェネレータと同じ拡散モデルを用いて,クローズドループ評価のためのリアルなロングテール駆動インタラクションを生成する。
  論文  参考訳（メタデータ） (2026-09-04T09:22:54Z)
• Intend, Reflect, Refine: An Adaptive Multimodal Reflection Framework for Autonomous Driving [79.71689985927625]
  自律運転のための適応型マルチモーダルリフレクションフレームワークであるIRR-Driveを提案する。 IRR-Driveは明らかにシーンの進化を予測し、モデルは厳密な自己修正と初期意図の洗練を可能にした。 提案手法はPDMSとNAVSIMSのベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-06-22T06:53:58Z)
• Beyond Waypoints: Dual-Heatmap Grounding for Cross-Embodiment Semantic Navigation [13.081539889943906]
  本研究では,FOV内セマンティックナビゲーションの実践的な設定に焦点を当てる。 本稿では,Dual-Heatmap表現に有利な単一点回帰を放棄する統合ビジョン・ランゲージフレームワークを提案する。 本フレームワークは,8Bベースライン間の最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-05-19T06:12:59Z)
• Revitalizing the Beginning: Avoiding Storage Dependency for Model Merging in Continual Learning [57.10440766103372]
  Trajectory Regularized Merging (TRM) は、拡張されたトラジェクトリ部分空間内の最適化プロセスとしてマージフェーズを再構成するフレームワークである。 本フレームワークは,タスクアライメント,予測整合性,勾配応答性といった3つの相乗的目標を統合し,統合モデルの履歴安定性と再活性化最適化のダイナミクスを同時に保存する。
  論文  参考訳（メタデータ） (2026-05-08T14:07:32Z)
• HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
  我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。 我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-04T04:12:47Z)
• ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
  ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。 我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。 次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
  論文  参考訳（メタデータ） (2025-06-09T03:14:04Z)
• Predictive Planner for Autonomous Driving with Consistency Models [5.966385886363771]
  軌道予測と計画は、自動運転車が動的環境下で安全かつ効率的に走行するために不可欠である。 近年の拡散型生成モデルはマルチエージェント軌道生成において有望であるが,その遅いサンプリングは高周波計画タスクには適さない。 我々は,エゴ車両の航法目標に基づいて,エゴと周辺エージェントの共同分布からサンプルを採取する予測プランナを構築するために,一貫性モデルを活用する。
  論文  参考訳（メタデータ） (2025-02-12T00:26:01Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• DESTINE: Dynamic Goal Queries with Temporal Transductive Alignment for Trajectory Prediction [8.25651323214656]
  時間的変換型alIgNmEnt(DESTINE)法を用いた動的ゴールquErieSを提案する。 提案手法は,各種メトリクスの最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-11T12:41:32Z)

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。