論文の概要: FeasibleFlow: One-Step Joint Transport of Configuration Feasibility and Trajectories for End-to-End Driving
- arxiv url: http://arxiv.org/abs/2609.23488v1
- Date: Sun, 20 Sep 2026 09:22:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 16:38:43.653987
- Title: FeasibleFlow: One-Step Joint Transport of Configuration Feasibility and Trajectories for End-to-End Driving
- Title（参考訳）: FeasibleFlow: エンドツーエンド運転のための構成可能性と軌道のワンステップ連系輸送
- Abstract要約: エンド・ツー・エンドの自動運転は、現在の観測を将来の軌道に直接マッピングするが、これらの軌道はシーンが進化するにつれて有効でなければならない。
本研究では,構成空間のファシビリティフィールドとマルチモーダルエゴ軌道を共同で輸送する一段階のエンドツーエンド生成フレームワークFeasibleFlowを提案する。
NAVSIMベンチマークの実験は、FeasibleFlowの強力な性能を示し、実現可能性と軌道の連成輸送と提案された安全第一機構の両方を検証した。
- 参考スコア（独自算出の注目度）: 8.230022521622583
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: End-to-end autonomous driving maps current observations directly to future trajectories, yet those trajectories must remain valid as the scene evolves. Future state modeling aims to address this temporal mismatch, but general representations often contain information unrelated to ego planning and affect trajectory generation only through auxiliary supervision, static conditioning, or proposal evaluation. We propose FeasibleFlow, a one-step end-to-end generative framework that jointly transports a configuration-space feasibility field and multimodal ego trajectories. Our Asymmetric Joint MeanFlow uses the pathwise Jacobian-vector product in the MeanFlow identity to incorporate field evolution into trajectory transport. Because safety feedback is sparser than progress feedback, we further introduce the Anchor-relative ranker (ARR) and Pareto-ReinFlow to balance safety and progress in candidate selection and generation, respectively. Experiments on the NAVSIM benchmark demonstrate the strong performance of FeasibleFlow and validate both the joint transport of feasibility and trajectories and the proposed safety-first mechanisms.
- Abstract（参考訳）: エンド・ツー・エンドの自動運転は、現在の観測を将来の軌道に直接マッピングするが、これらの軌道はシーンが進化するにつれて有効でなければならない。
将来の状態モデリングは、この時間的ミスマッチに対処することを目的としているが、一般的な表現はしばしばエゴ計画とは無関係な情報を含み、補助的な監督、静的条件付け、提案評価を通じてのみ軌道生成に影響を与える。
本研究では,構成空間のファシビリティフィールドとマルチモーダルエゴ軌道を共同で輸送する一段階のエンドツーエンド生成フレームワークFeasibleFlowを提案する。
我々の非対称ジョイント平均フローは、メアンフローアイデンティティのパスワイズヤコビアンベクトル積を用いて、場の進化を軌道輸送に組み込む。
Anchor-relative ranker (ARR) と Pareto-ReinFlow をそれぞれ導入して, 安全性のバランスと, 候補選択と生成の進捗のバランスをとる。
NAVSIMベンチマークの実験は、FeasibleFlowの強力な性能を示し、実現可能性と軌道の連成輸送と提案された安全第一機構の両方を検証した。
関連論文リスト
- AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。
我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。
我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
論文 参考訳（メタデータ） (2026-07-13T16:00:41Z) - TIGFlow-GRPO: Trajectory Forecasting via Interaction-Aware Flow Matching and Reward-Driven Optimization [32.62793132656069]
本稿では,フローベーストラジェクトリ生成と行動規則を整合させる2段階生成フレームワークを提案する。
実験により, TIGFlowGRP-FlowOは, より社会的に適合し, 物理的に実現可能な軌道を生成しながら, 予測精度と長期安定性を向上することが示された。
これらの結果から,提案フレームワークは動的マルチメディア環境において,フローベーストラジェクトリモデリングと行動認識アライメントを結合する有効な手段を提供する可能性が示唆された。
論文 参考訳（メタデータ） (2026-03-26T01:59:10Z) - DynFlowDrive: Flow-Based Dynamic World Modeling for Autonomous Driving [67.83404465171257]
DynFlowDriveは、異なる運転行動の下で世界状態の遷移をモデル化する潜在世界モデルである。
異なる駆動動作の下でシーン状態がどのように変化するかを記述した速度場を学習する。
これに基づいて,安定性を考慮した多モード軌道選択戦略を導入する。
論文 参考訳（メタデータ） (2026-03-20T06:19:31Z) - Conditional Flow Matching for Continuous Anomaly Detection in Autonomous Driving on a Manifold-Aware Spectral Space [0.0]
安全クリティカルな異常検出のための教師なしフレームワークであるDeep-Flowを提案する。
不安定で高次元の座標空間で動作する標準的な生成的アプローチとは異なり、Deep-Flowは生成過程を低ランクのスペクトル多様体に制約する。
これにより、設計によるキネマティックな滑らかさが保証され、数値的に安定で決定論的な対数類似度推定の計算が可能になる。
論文 参考訳（メタデータ） (2026-02-19T18:10:16Z) - TrajDiff: End-to-end Autonomous Driving without Perception Annotation [65.49718343700319]
エンドツーエンドの自動運転システムは、生センサ入力から直接駆動ポリシーを生成する。
TrajDiffはTrajectory-oriented BEV Conditioned Diffusionフレームワークであり、エンドツーエンドの自動運転のための知覚アノテーションのない生成方法を確立する。
NAVSIMベンチマークで評価すると、TrajDiffは87.5 PDMSを達成した。
論文 参考訳（メタデータ） (2025-11-30T04:34:20Z) - 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) - TrajFlow: Multi-modal Motion Prediction via Flow Matching [29.274577509291973]
本稿では,新しいフローマッチングに基づく動き予測フレームワークであるTrajFlowを紹介する。
TrajFlowは1回のパスで複数の可算な将来の軌跡を予測し、計算オーバーヘッドを大幅に削減する。
さまざまな主要なメトリクスにわたって最先端のパフォーマンスを達成し、安全クリティカルな自動運転アプリケーションの有効性を裏付ける。
論文 参考訳（メタデータ） (2025-06-10T08:08:31Z) - TrajFlow: A Generative Framework for Occupancy Density Estimation Using Normalizing Flows [0.0]
本稿では,動的エージェントの占有密度を推定するための生成フレームワークを提案する。
本フレームワークは因果エンコーダを用いて,観察された軌跡の意味的に意味のある埋め込みを抽出する。
本稿では,この枠組みの実装として,神経微分方程式を基礎とした新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-01-24T06:09:09Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳（メタデータ） (2022-03-25T16:59:08Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z)
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。