論文の概要: READ: Learning Risk-Informed Fields for End-to-End Autonomous Driving
- arxiv url: http://arxiv.org/abs/2609.12371v1
- Date: Fri, 11 Sep 2026 02:40:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.591252
- Title: READ: Learning Risk-Informed Fields for End-to-End Autonomous Driving
- Title（参考訳）: READ: エンド・ツー・エンド自動運転におけるリスクインフォームドフィールドの学習
- Abstract要約: 本稿では,相補的な幾何学的制約と行動的制約から,明示的で計画的なリスク表現を学習するフレームワークREADを紹介する。
READは、この表現を連続時間フィールドとしてインスタンス化し、候補軌跡に沿って異なるクエリを可能にする。
NAVSIMの実験では、一致したエンドツーエンドのバックボーン間で一貫したゲインと、VLA設定での強いパフォーマンスが示されている。
- 参考スコア（独自算出の注目度）: 24.54780591783853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving requires more than recognizing what is present in a scene: a planner must determine how road structure, surrounding agents, and their motion states should influence a future maneuver. Existing learning-based planners can capture these influences through latent scene features and trajectory decoders, but the relationship between environmental factors and candidate actions often remains implicit. This limits the ability to inspect, diagnose, or refine how scene context affects the safety of a predicted trajectory. Classical safety fields provide an explicit spatial representation of this relationship, but their risk shapes and relative weights are prescribed in advance and do not adapt to each scene. We introduce READ, a framework that learns an explicit, planning-aligned risk representation from complementary geometric and behavioral constraints. READ instantiates this representation as a continuous spatiotemporal field, enabling differentiable queries along candidate trajectories. The learned field connects scene understanding with action selection by encouraging predicted trajectories to align with low-risk regions, while retaining a differentiable interface for trajectory evaluation and refinement. READ integrates with both end-to-end planners and Vision-Language-Action models. Experiments on NAVSIM show consistent gains across matched end-to-end backbones and strong performance in a VLA setting; READ also achieves competitive results on NAVSIM v2. These results establish learned spatial risk as an explicit, adaptable representation for safe planning.
- Abstract（参考訳）: 計画立案者は、道路構造、周囲のエージェント、そしてそれらの運動状態が将来の操作にどのように影響するかを判断しなければならない。
既存の学習ベースのプランナーは、潜在シーンの特徴や軌道デコーダを通してこれらの影響を捉えることができるが、環境要因と候補行動の関係は暗黙的に残ることが多い。
これにより、予測された軌道の安全性にシーンコンテキストがどのように影響するかを検査、診断、精査する能力が制限される。
古典的安全分野は、この関係を明示的な空間的表現を提供するが、それらのリスク形状と相対重みは事前に規定されており、各シーンに適応しない。
本稿では,相補的な幾何学的制約と行動的制約から,明示的で計画的なリスク表現を学習するフレームワークREADを紹介する。
READは、この表現を連続した時空間フィールドとしてインスタンス化し、候補軌跡に沿って異なるクエリを可能にする。
学習分野は、予測された軌跡を低リスク領域と整合させるとともに、軌跡評価と洗練のための異なるインターフェースを保持することにより、シーン理解と行動選択を結びつける。
READは、エンドツーエンドのプランナーとVision-Language-Actionモデルの両方を統合している。
NAVSIMの実験では、一致したエンドツーエンドのバックボーン間で一貫したゲインと、VLA設定での強いパフォーマンスを示し、READはNAVSIM v2の競争結果も達成している。
これらの結果は、安全計画のための明示的で適応可能な表現として、学習された空間リスクを確立する。
関連論文リスト
- Safety-aware Skill Adaptation for Reinforcement Learning in Dynamic Environments [2.9923891863939946]
Dist-GPRLは、構造化ロボットスキル適応のための遠隔認識および安全誘導型強化学習フレームワークである。
ガウス過程(GP)に基づくスキルパラメタライゼーションを基盤として,スパーストラジェクトリの局所窓の重なり合いを逐次適応する。
シミュレーションにおける2つの動的オブジェクト操作タスクの枠組みを評価し,実世界のロボットに学習方針を伝達する。
論文 参考訳（メタデータ） (2026-09-10T12:05:54Z) - Bridging Predictive Uncertainty and Safe Action: Sample-Conditioned Differentiable Planning for Autonomous Driving [46.91409391705346]
複雑でダイナミックでインタラクティブな運転環境は、自動運転に重大な課題をもたらす。
現在のシステムにおける基本的なボトルネックは、高度に表現力のある不確実性モデリングと解釈可能な安全な動き計画との切り離しである。
本稿では, このギャップを埋めるために, 拡散生成将来の軌道を最適化プロセスに明示的に組み込む, サンプル条件付き微分可能計画フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-02T08:10:02Z) - Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。
既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。
エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-07T13:38:18Z) - LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning [51.969318585152116]
LatentPilotは、トレーニング中の将来の観察を貴重なデータソースとして利用して、アクション条件付きビジュアルダイナミクスを学習する。
そこで本稿では,フライホイール方式のトレーニング機構を提案する。これは,道路上の軌道を反復的に収集し,エージェントの行動分布に適合するようにモデルを再訓練する。
R2R-CE、RxR-CE、R2R-PEベンチマークの実験では新たなSOTA結果が得られた。
論文 参考訳（メタデータ） (2026-03-31T02:21:59Z) - Vision and language: Novel Representations and Artificial intelligence for Driving Scene Safety Assessment and Autonomous Vehicle Planning [2.1379801460200416]
視覚言語モデル(VLM)は、視覚観察を自然言語の概念と整合させる強力な表現学習システムとして登場した。
本稿では、視覚言語表現が、認識、予測、計画パイプラインに統合された場合、シーンの安全性評価と意思決定をどのようにサポートするかを検討する。
論文 参考訳（メタデータ） (2026-02-07T20:04:21Z) - Future-Aware End-to-End Driving: Bidirectional Modeling of Trajectory Planning and Scene Evolution [96.25314747309811]
将来的なシーンの進化と軌道計画を共同でモデル化する,新たなエンドツーエンドフレームワークであるSeerDriveを紹介する。
本手法はまず,周辺環境の動態を予測するために,将来の鳥眼ビュー(BEV)の表現を予測する。
2つの重要な要素がこれを可能にする:(1)予測されたBEV機能を軌道プランナーに注入する将来対応計画、(2)反復的なシーンモデリングと車両計画。
論文 参考訳（メタデータ） (2025-10-13T07:41:47Z) - ImagiDrive: A Unified Imagination-and-Planning Framework for Autonomous Driving [64.12414815634847]
ビジョン・ランゲージ・モデル(VLM)とドライビング・ワールド・モデル(DWM)は、この課題のさまざまな側面に対処する強力なレシピとして独立して登場した。
我々は、VLMベースの運転エージェントとDWMベースのシーン想像装置を統合した、新しいエンドツーエンドの自動運転フレームワークであるImagiDriveを提案する。
論文 参考訳（メタデータ） (2025-08-15T12:06:55Z) - Flow-guided Motion Prediction with Semantics and Dynamic Occupancy Grid Maps [5.9803668726235575]
OGM(Occupancy Grid Maps)は、一般的にシーン予測に使用される。
近年,OGMと深層学習を併用してシーンの進化を予測する手法が研究されている。
我々は,動的なOGMとセマンティック情報を利用して,将来の車両セマンティックグリッドとシーンの将来の流れを予測できる新しいマルチタスクフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-22T14:42:34Z) - Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。
我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文 参考訳（メタデータ） (2020-07-23T14:31:25Z) - Scenario-Transferable Semantic Graph Reasoning for Interaction-Aware
Probabilistic Prediction [29.623692599892365]
交通参加者の行動の正確な予測は、自動運転車にとって必須の能力である。
本稿では, セマンティクスとドメイン知識を活かして, 様々な運転環境に対する新しい汎用表現を提案する。
論文 参考訳（メタデータ） (2020-04-07T00:34:36Z)
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。