論文の概要: DriftParking: Trajectory Modeling via Drifting Field for End-to-End Automated Parking

• arxiv url: http://arxiv.org/abs/2609.06923v1
• Date: Mon, 07 Sep 2026 01:42:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 02:09:50.931095
• Title: DriftParking: Trajectory Modeling via Drifting Field for End-to-End Automated Parking
• Title（参考訳）: ドリフトパーキング:終端自動駐車のためのドリフトフィールドによる軌道モデリング
• Abstract要約: 我々は1ステップの軌道生成フレームワークであるDriftParkingを提案する。 分布レベルのアトラクションを条件付き1対1のアトラクションに置き換える。 それぞれの軌道を始点から始点までのベースラインと学習可能な残差に分解し、終点アライメントを表現レベルの構造制約に変換する。
• 参考スコア（独自算出の注目度）: 16.779595425807457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated parking requires generating complete and executable trajectories in highly constrained spaces with low tolerance for goal pose error. Existing end-to-end parking methods struggle to jointly achieve inference efficiency, trajectory quality, and precise endpoint alignment, while conventional imitation objectives provide limited supervision on structured deviations from expert maneuver geometry. We propose DriftParking, a one-step trajectory generation framework that reconstructs the drifting-field paradigm for high-precision conditional trajectory generation. Specifically, we replace distribution-level attraction with conditional one-to-one attraction toward the paired expert trajectory, introduce expert-centered constructive repulsion, and adaptively attenuate repulsion near convergence. We further formulate trajectory generation in an endpoint-residual space by decomposing each trajectory into a start-to-goal baseline and a learnable residual, turning endpoint alignment into a representation-level structural constraint on the supervision target while providing a structured space for repulsive supervision. DriftParking achieves state-of-the-art performance across all evaluation metrics. Closed-loop on-vehicle experiments across diverse parking scenarios further show a 97% parking success rate, demonstrating strong zero-shot generalization.
• Abstract（参考訳）: 自動駐車は、ゴールポーズエラーに対する耐性の低い高度に制約された空間で完全かつ実行可能な軌道を生成する必要がある。 既存のエンドツーエンドの駐車手法は、推論効率、軌道品質、正確なエンドポイントアライメントを共同で達成するのに苦労する一方、従来の模倣目的は、専門家の操作幾何学からの偏差を限定的に監視する。 ドリフトパーキング(DriftParking)は、高精度な条件付き軌道生成のためのドリフトフィールドパラダイムを再構築する一段階の軌道生成フレームワークである。 具体的には、分布レベルのアトラクションを、ペア化された専門家軌道に対する条件付き1対1アトラクションに置き換え、専門家中心の建設的反発を導入し、収束に近い反発を適応的に減衰させる。 さらに,各軌道を始点から起点までのベースラインと学習可能な残差に分解し,終点アラインメントを制御対象の表現レベル構造制約に変換するとともに,反発的監視のための構造化空間を提供することにより,終端残差空間における軌道生成を定式化する。 DriftParkingは、すべての評価指標で最先端のパフォーマンスを達成する。 多様な駐車シナリオのクローズドループ車載実験は、さらに97%の駐車成功率を示し、ゼロショットの一般化を強く示している。

関連論文リスト

• NeuralParker: A Reinforcement Learning Planner for Irregular Parking Environments [25.61185429754509]
  我々は、任意の目的の駐車のための強化学習に基づくハイブリッドプランナーであるNeuralParkerを紹介する。 完全な環境障害と境界幾何学を対象相対表現にエンコードする。 学習した曲率長のアークポリシーと、様々な立方体のハーマイト接続から選択されるループ内端子アンサンブルを結合する。
  論文  参考訳（メタデータ） (2026-08-25T12:33:14Z)
• 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)
• Drift-Resistant Navigation World Model with Anchored Epipolar Guidance [81.52175010905665]
  本稿では,従来のロールアウト型ナビゲーションワールドモデルにおいて,知覚的ドリフトと幾何学的ドリフトの両方を緩和する生成モデルであるDrift-Resistant Navigation World Modelを提案する。 まず、安定な長距離ターゲットとして機能するスパース未来のアンカーを予測し、その後、過去のコンテキストと将来のアンカーの両方で条件付けられた各チャンク内で中間フレームを生成する。 4つのベンチマークの実験では、長期の視覚的品質、幾何的一貫性、多視点コヒーレンスにおいて、強いベースラインよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-05-23T22:47:33Z)
• FeaXDrive: Feasibility-aware Trajectory-Centric Diffusion Planning for End-to-End Autonomous Driving [9.654458127972736]
  FeaXDriveは、エンド・ツー・エンドの自動運転のための実現可能な軌道中心拡散計画法である。 この軌道中心の定式化に基づいて、FeaXDriveは適応的な曲率制約付きトレーニングを統合し、固有の幾何学的およびキネマティックな実現性を改善する。 NAVSIMベンチマークの実験では、FeaXDriveは強力なクローズドループ計画性能を達成している。
  論文  参考訳（メタデータ） (2026-04-14T12:24:54Z)
• SunnyParking: Multi-Shot Trajectory Generation and Motion State Awareness for Human-like Parking [24.480545421791234]
  本研究では,空間軌跡と離散的な動き状態列を共同で予測することで,動き状態認識を実現する2重分岐E2Eアーキテクチャを提案する。 実験により, 複雑なマルチショット駐車シナリオにおいて, より頑健で人間的な軌道を生成することが実証された。 我々はCARLAシミュレータの新しいパーキングデータセットをオープンソース化した。
  論文  参考訳（メタデータ） (2026-02-25T08:35:58Z)
• Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
  本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。 シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。 高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
  論文  参考訳（メタデータ） (2026-02-17T15:10:44Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• 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)
• ParkDiffusion: Heterogeneous Multi-Agent Multi-Modal Trajectory Prediction for Automated Parking using Diffusion Models [6.58562706945347]
  ParkDiffusionは、自動駐車シナリオにおける車両と歩行者の両方の軌道を予測する新しいアプローチである。 ParkDiffusionは拡散モデルを用いて、将来の軌道の固有の不確実性と多モード性を捉える。 我々は,Dragon Lake ParkingデータセットとIntersections DroneデータセットのParkDiffusionを評価する。
  論文  参考訳（メタデータ） (2025-05-01T15:16:59Z)
• 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)

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。