論文の概要: From Proxy Learning to Driving Decisions: A Transfer-Based Framework for Evaluating Future-Aware Autonomous Driving Planners
- arxiv url: http://arxiv.org/abs/2609.02688v1
- Date: Wed, 02 Sep 2026 14:55:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.440138
- Title: From Proxy Learning to Driving Decisions: A Transfer-Based Framework for Evaluating Future-Aware Autonomous Driving Planners
- Title（参考訳）: プロキシラーニングからドライブ決定へ:未来を意識した自動運転プランナ評価のためのトランスファーベースフレームワーク
- Abstract要約: Proxy-to-Decision Transfer Frameworkは、学習後の情報が信頼性の高い駆動性能改善要求をサポートするときに評価する。
Decision-Transfer Decomposition Moduleはスコアマージン、スイッチ条件付きユーティリティ、サポート対選択後悔を通じて値損失をローカライズする。
- 参考スコア（独自算出の注目度）: 0.34519649635864585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Future-aware representations and world models are increasingly used in proposal-based autonomous-driving planners to improve trajectory selection. However, improvements in proxy objectives or restricted subsets are often interpreted as planning gains without verifying proposal ordering, selected trajectories, full-scale utility, and critical driving components. We propose the Proxy-to-Decision Transfer (PDT) Framework, an analysis framework that evaluates when learned future information supports a reliable driving-performance improvement claim. Its Decision-Transfer Decomposition Module localizes value loss through score margins, switch-conditioned utility, and support-versus-selection regret. Its Reliability-Constrained Validation Module requires exact pairing, a minimum meaningful effect, scale-expanded confirmation, safety non-compensation, sequential comparability, and family-level robustness. On a representative future-aware planner evaluated with NAVSIM-v1, component BCE decreases from 0.705 to 0.530 while held selected PDM decreases from 0.963 to 0.961. A separate candidate improves a 512-record prefix by 0.00909, with a scene-bootstrap 95% interval of [0.000744, 0.0177], but its 2048-record and complete-support intervals include zero. A proposal-level replay further confirms the switch-utility decomposition, yet none of 432 screened configurations passes the two-half, two-seed robustness gate. PDT therefore identifies where decision transfer fails or remains indeterminate across proxy, subset, aggregate, and selection evidence.
- Abstract（参考訳）: 将来を意識した表現や世界モデルは、軌道選択を改善するために提案ベースの自動運転プランナーでますます利用されている。
しかしながら、プロキシの目的や制限されたサブセットの改善は、提案の順序、選択された軌道、フルスケールのユーティリティ、クリティカルな駆動コンポーネントを検証せずに、計画的なゲインとして解釈されることが多い。
本稿では,学習後の情報が信頼性の高い運転性能向上要求を支援する場合の分析フレームワークであるPDT(Proxy-to-Decision Transfer)フレームワークを提案する。
その決定-転送分解モジュールは、スコアマージン、スイッチ条件付きユーティリティ、サポート対選択の後悔を通じて値損失をローカライズする。
Reliability-Constrained Validation Moduleは、正確なペアリング、最小限の有意義な効果、スケール拡張された確認、安全性の非補償、シーケンシャルなコンパラビリティ、家族レベルの堅牢性を必要とする。
NAVSIM-v1で評価した代表的な将来のプランナーでは、コンポーネントBCEは0.705から0.530に減少し、選択されたPDMは0.963から0.961に減少する。
別個の候補は、[0.000744, 0.0177]のシーンブートストラップ95%間隔で512レコードプレフィックスを0.00909に改善するが、2048レコードと完全サポート間隔は0を含む。
提案レベルのリプレイはスイッチユーティリティの分解をさらに確認するが、432のスクリーニングされた構成はいずれも2列のロバスト性ゲートを通過しない。
したがって、PDTは、決定伝達が失敗するか、プロキシ、サブセット、アグリゲーション、選択エビデンスで不確定な場所を特定する。
関連論文リスト
- ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。
SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。
モデル自身の失敗から両方を得るReDraftを紹介します。
論文 参考訳（メタデータ） (2026-09-15T04:59:03Z) - RecGPT-Mobile-V2 Technical Report [22.10290138930905]
RecGPT-Mobile-V2は、意図的品質と実行効率をステージド設計の目的として扱うエンドツーエンドフレームワークである。
このフレームワークは異種間相互作用をエビデンス保存軌道に変換し、ドメイン適応と教師付きアライメントを通じてレコメンデーションネイティブ基盤を確立する。
オンライン検索分析では、クエリリコールチャネルは、確立されたリコールチャネルによってサーフェスされたインベントリに補完されるインベントリを検索することを示している。
論文 参考訳（メタデータ） (2026-08-25T09:23:17Z) - DREAM Technical Report [53.37525197047151]
DREAMは、既存のパイプラインの上に認識認識、オーケストレーション、監査可能なポリシ層を追加し、それを置き換えることなく、自律的な最適化制御アーキテクチャである。
DREAMには2つのコアコンポーネントがある。まず、3層Intent Engineはデバイス上の信号を構造化されたL0/L1/L2インテント表現に融合する。エッジクラウドトリガーチェーンはレポートのボリュームを約8.7%に削減する。
第2に、Meta EngineはMetaModelを使って、層状M1-to-M2-to-M3推論(インテントの要約、ストラテジーメモリに通知されるストラテジープランニング、パラメータ変換など)を定式化したM1-to-M2-to-M3推論に使用します。
論文 参考訳（メタデータ） (2026-08-10T10:35:32Z) - Adaptive-WAM: Quality-Guided Early-Exit Planning from Intermediate Video-Diffusion Features [4.996631858286914]
計画性能はテストされたビデオノイズレベルにはほとんど反応しないが、強い軌道は中間層からすでに復号化されている。
Wan2.2-5Bバックボーン上に構築された品質対応マルチエグジットプランナであるAdaptive-WAMを紹介する。
論文 参考訳（メタデータ） (2026-08-06T13:13:07Z) - A Self-Triggered Agentic Push Recommendation System [77.13502692161426]
プッシュ通知は、大規模プラットフォームにおける重要なレコメンデーションシナリオである。
本稿では,プロアクティブ・セルフトリガー・エンド・ツー・エンドのエージェント・プッシュ・レコメンデーションシステムを提案する。
STEPSはすでにDouyinに10億人以上のユーザーを抱えている。
論文 参考訳（メタデータ） (2026-08-03T09:20:53Z) - Paired Exact-Reset Evaluation of a Prediction-Derived Medium-to-Full World-Model Cascade [0.0]
ペア化された正確な物理結果の下では、Mediumベースのインターフェースは、個別に凍結されたFull予測器に切り替えた時に、シーケンシャルなオーバーヘッドを正当化するのに十分なタスク固有の決定損失を改善することができるか?
私たちのコントリビューションは、新しい汎用ルーティングルールではなく、ペア評価と監査プロトコルです。
論文 参考訳（メタデータ） (2026-07-30T18:35:13Z) - CLEAR: Cognition and Latent Evaluation for Adaptive Routing in End-to-End Autonomous Driving [19.474428775260034]
超高速な生成計画と深い意味的推論を組み合わせたフレームワークであるCLEARを提案する。
CLEARはDrive-JEPAをビジュアルエンコーダとして採用し、VAEラテント空間におけるマルチステップデノイングチェーンを単一ステップ条件ドリフトに置き換える。
NAVSIM v1ベンチマークでは、CLEARは93.7の最先端のPDMSを達成した。
論文 参考訳（メタデータ） (2026-06-04T14:32:10Z) - A Blueprint for Self-Evolving Coding Agents in Vehicle Aerodynamic Drag Prediction [9.020568132598827]
本稿では, 産業制約下でのドラッグ係数$C_d$を予測するために, 実行可能サロゲートパイプラインを検出する自己進化型符号化エージェントの契約中心の青写真を提案する。
この方法は、静的モデルインスタンスではなく、プログラム上の制約付き最適化としてサロゲート発見を定式化する。
厳しい評価契約は、任意の候補が承認される前に、漏洩防止、決定論的リプレイ、マルチシード、ロバスト性、資源予算を強制する。
論文 参考訳（メタデータ） (2026-03-23T08:36:57Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - Foundation Models for Logistics: Toward Certifiable, Conversational Planning Interfaces [59.80143393787701]
大規模言語モデル(LLM)は不確実性に対処し、導入障壁を低くしながら再計画の加速を約束する。
本稿では,自然言語対話のアクセシビリティと目標解釈の検証可能な保証とを組み合わせたニューロシンボリック・フレームワークを提案する。
わずか100個の不確実性フィルタで微調整された軽量モデルは、GPT-4.1のゼロショット性能を上回り、推論遅延を50%近く削減する。
論文 参考訳（メタデータ） (2025-07-15T14:24:01Z) - Reinforcement Learning with a Terminator [80.34572413850186]
我々は, TerMDP のパラメータを学習し, 推定問題の構造を活用し, 状態ワイドな信頼境界を提供する。
我々はこれらを用いて証明可能な効率のよいアルゴリズムを構築し、終端を考慮し、その後悔を抑える。
論文 参考訳（メタデータ） (2022-05-30T18:40:28Z)
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。