論文の概要: WZPlanner: Safe End-to-End Path Planning for Autonomous Driving in Work Zones

• arxiv url: http://arxiv.org/abs/2609.19393v1
• Date: Wed, 16 Sep 2026 20:22:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.997909
• Title: WZPlanner: Safe End-to-End Path Planning for Autonomous Driving in Work Zones
• Title（参考訳）: WZPlanner:ワークゾーンにおける自動運転のための安全なエンド・ツー・エンドパス計画
• Abstract要約: 本稿では,車線境界,ワークゾーン境界,軌道選択の3次元アノテーションを備えた149K+合成および5K+実世界のマルチモーダルサンプルからなるデータセットを提案する。 また、76のクローズドループCARLAシナリオを3つの気象条件下でリプレイし、Bench2Drive-format評価ルートを生成する。
• 参考スコア（独自算出の注目度）: 0.7578317317584885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Work zones alter lane geometry through temporary traffic controls and closures that may be absent from on-board maps, challenging autonomous vehicle (AV) perception and planning. Generalization is also limited by scarce public datasets with structured geometric supervision. We present WorkZonePlan, a dataset comprising 149K+ synthetic and 5K+ real-world multimodal samples with 3D annotations for lane boundaries, work zone boundaries, and driving trajectory options. It also provides 76 closed-loop CARLA scenarios replayed under three weather conditions, yielding 228 Bench2Drive-format evaluation routes. We introduce WAVE (Work-zone-focused AV data generation in Virtual and rEal Environments), a semi-automated pipeline for creating the dataset, and BoundaryFormer (BF), a transformer-based model that jointly predicts lane and work zone boundary polynomials and driving trajectories. BF uses slot attention for boundary prediction. Ablations show that a separate trajectory decoder using boundary slot features substantially improves trajectory prediction over a slot-attention-only approach. Building on this finding, BF++ offers Camera and Camera+LiDAR variants with metric ground-plane encoding, typed boundary/trajectory queries, long-range point anchors, image-space curve refinement, and conservative gated LiDAR fusion. On the 211 routes common to all four models at the evaluation freeze, BF++-Camera and BF++-Camera+LiDAR achieve Driving Scores of 63.0 and 64.4, respectively, compared with 59.3 for SimLingo and 26.1 for TransFuser++ (TF++). BF++ is 40 times smaller than SimLingo and more than 10 times smaller than TF++, while achieving higher Driving Scores. These results support jointly predicting lane boundaries, work zone boundaries, and driving trajectories as a promising direction toward safer AV operation in work zones. Code and dataset: https://github.com/Nishad-Sahu/WZPlanner.
• Abstract（参考訳）: 作業ゾーンは、車載地図から欠落する可能性のある一時的な交通制御や閉鎖、自律走行車(AV)の認識と計画を通じて車線形状を変化させる。 一般化は、構造化された幾何学的監督を伴うわずかな公開データセットによっても制限される。 149K+ 合成および5K+ 実世界のマルチモーダル・サンプルからなるデータセットである WorkZonePlan を,車線境界,ワークゾーン境界,軌道選択の3次元アノテーションで提示する。 また、76の閉ループCARLAシナリオを3つの気象条件下でリプレイし、228のBench2Drive-format評価ルートを提供する。 WAVE(Work-zone- Focus AV data generation in Virtual and rEal Environments)は、データセットを作成するための半自動パイプラインであり、BoundaryFormer(BF)は、車線とワークゾーンの境界多項式を共同で予測し、軌道を駆動するトランスフォーマーモデルである。 BFは境界予測にスロットアテンションを使用する。 アブレーションは,境界スロット特徴を用いたトラジェクトリデコーダを分離することで,スロットアテンションのみのアプローチによるトラジェクトリ予測を大幅に改善することを示す。 この発見に基づいて、BF++はカメラとカメラ+LiDARの変種を提供し、メカニカルグラウンドプレーンエンコーディング、型付き境界/軌道クエリ、長距離ポイントアンカー、画像空間曲線の洗練、保守的なゲート付きLiDAR融合を提供する。 BF++-CameraとBF++-Camera+LiDARはそれぞれ63.0と64.4のドライビングスコアを達成しており、SimLingoは59.3、TransFuser++(TF++)は26.1である。 BF++はSimLingoより40倍小さく、TF++より10倍以上小さい。 これらの結果は、ワークゾーンにおけるより安全なAV運用に向けて、車線境界、ワークゾーン境界、駆動軌道を共同で予測することを支援する。 コードとデータセット:https://github.com/Nishad-Sahu/WZPlanner

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)
• PAVE: An End-to-End Dataset for Production Autonomous Vehicle Evaluation [11.024538259188347]
  このデータセットには、市場で生産される自動運転車モデルから100時間以上の自然科学的なデータが含まれている。 各キーフレームには、過去6秒と将来の5秒にまたがる20Hzの車両軌跡と、周辺車両、歩行者、信号機、交通標識の詳細な2Dアノテーションが提供されている。 AVの安全性を評価するために、自動運転車のフレーム上で平均変位誤差(ADE)1.4mの車両軌道を予測できるエンドツーエンドの運動計画モデルを用いる。
  論文  参考訳（メタデータ） (2025-11-18T06:41:34Z)
• 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)
• SpaRC-AD: A Baseline for Radar-Camera Fusion in End-to-End Autonomous Driving [5.343552118560704]
  SpaRC-ADは、計画指向の自律運転のためのクエリベースのエンドツーエンドカメラレーダ融合フレームワークである。 本手法は、複数の自律運転タスクにおいて、最先端のビジョンのみのベースラインよりも強力な改善を実現する。
  論文  参考訳（メタデータ） (2025-08-14T12:02:41Z)
• AGC-Drive: A Large-Scale Dataset for Real-World Aerial-Ground Collaboration in Driving Scenarios [68.84774511206797]
  AGC-DriveはAerial-Ground Cooperativeの3D知覚のための最初の大規模実世界のデータセットである。 AGC-Driveには350のシーンがあり、それぞれ約100のフレームと13のオブジェクトカテゴリをカバーする完全な注釈付き3Dバウンディングボックスがある。 車両間協調認識と車両間協調認識の2つの3次元タスクのベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-06-19T14:48:43Z)
• Hydra-NeXt: Robust Closed-Loop Driving with Open-Loop Training [64.16445087751039]
  Hydra-NeXtは、軌道予測、制御予測、軌道修正ネットワークを一つのモデルに統合する、新しいマルチブランチ計画フレームワークである。 Hydra-NeXt は22.98 DS と 17.49 SR を上回り、自動運転の大幅な進歩を示している。
  論文  参考訳（メタデータ） (2025-03-15T07:42:27Z)
• LMT-Net: Lane Model Transformer Network for Automated HD Mapping from Sparse Vehicle Observations [11.395749549636868]
  Lane Model Transformer Network (LMT-Net) は、エンコーダとデコーダのニューラルネットワークアーキテクチャであり、ポリリン符号化を実行し、レーンペアとその接続性を予測する。 我々は、複数の車両観測と、地上真実(GT)としての人間のアノテーションからなる内部データセット上でのLMT-Netの性能を評価する。
  論文  参考訳（メタデータ） (2024-09-19T02:14:35Z)
• A POV-based Highway Vehicle Trajectory Dataset and Prediction Architecture [2.924868086534434]
  本稿では,車載トラジェクトリ,検出,追跡データセットであるEmphCarolinas Highway dataset (CHDfootnoteemphCHD)を紹介する。 また、注目に基づくグラフ同型と畳み込みニューラルネットワークを用いた新しい車両軌道予測アーキテクチャであるemphPishguVeを提案する。 その結果、emphPishguVeは既存のアルゴリズムより優れており、鳥の目、目、高角POVにおける新しい最先端(SotA)となることが示された。
  論文  参考訳（メタデータ） (2023-03-10T20:38:40Z)
• PersFormer: 3D Lane Detection via Perspective Transformer and the OpenLane Benchmark [109.03773439461615]
  PersFormerは、新しいトランスフォーマーベースの空間特徴変換モジュールを備えた、エンドツーエンドのモノクル3Dレーン検出器である。 高品質なアノテーションとシナリオの多様性を備えたOpenLaneと呼ばれる,最初の大規模な3Dレーンデータセットの1つをリリースしました。
  論文  参考訳（メタデータ） (2022-03-21T16:12:53Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)

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。