論文の概要: INTERACT: Interactive Planning for Autonomous Driving via Anchor-Conditioned Prediction and Trust-Region Refinement

• arxiv url: http://arxiv.org/abs/2609.31137v1
• Date: Fri, 25 Sep 2026 11:27:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.363603
• Title: INTERACT: Interactive Planning for Autonomous Driving via Anchor-Conditioned Prediction and Trust-Region Refinement
• Title（参考訳）: InterACT: Anchor-Conditioned PredictionとTrust-Region Refinementによる自律運転の対話型計画
• Abstract要約: 我々は、アンカー・コンディションド・予測とトラスト・レジオン・リファインメントによる自律運転の対話的計画について述べる。 私たちの重要な洞察は、周囲のエージェントは、軌道が正確に実現するよりもむしろ表現する意図に反応するため、単一の反応予測は計画全体にわたって有効であるということです。 私たちは、地図幾何学からアンカーと呼び、アンカーごとに専用のエゴ条件付き予測モデルをクエリし、信頼領域のペナルティの下ですべてのアンカーをクロスエントロピー法で洗練し、コンディショニングされた反応がまだ適用されるのに十分なアンカーに十分近いようにします。
• 参考スコア（独自算出の注目度）: 5.653601395958963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driving in dense urban traffic is interactive: whether a merge or an unprotected turn succeeds depends on how surrounding agents respond to the ego vehicle. Conventional planners predict first and plan second and, therefore, cannot account for this dependency. Methods that integrate prediction and planning either train both jointly, which introduces task interference, or keep them separate and are restricted to a predefined set of proposals. We present INTERACT: Interactive Planning for Autonomous Driving via Anchor-Conditioned Prediction and Trust-Region Refinement. Our key insight is that surrounding agents react to the intent a trajectory expresses rather than to its exact realization, so a single reactive prediction stays valid across an entire family of plans. INTERACT therefore decomposes interactive planning into prediction across driving intents and optimization within each intent. We derive a small set of diverse intents, which we call anchors, from map geometry, query a dedicated ego-conditioned prediction model once per anchor, and refine every anchor with the Cross-Entropy Method under a trust-region penalty that keeps the refined plan close enough to its anchor for the conditioned reaction to still apply. Prediction thus remains a separate model, avoiding task interference, while conditioning on anchors preserves the dependency. Because each anchor is refined continuously, the final plan is not restricted to the anchor set, yet INTERACT requires only one predictor query per anchor rather than one per candidate plan, with all anchors processed in parallel. On the nuPlan and interPlan closed-loop benchmarks, INTERACT sets a new state of the art, with the largest gains precisely in the interactive scenarios that motivate the method. The code will be released upon acceptance.
• Abstract（参考訳）: 密集した都市交通の運転は対話的であり、マージや保護されていないターンが成功するかどうかは、周囲のエージェントがエゴ車にどう反応するかに依存する。 従来のプランナーは、第1と第2を予測し、従って、この依存関係を説明できない。 予測と計画を統合する方法は、両方を共同で訓練し、タスクの干渉を導入するか、それらを分離し、事前に定義された提案セットに制限する。 我々は、アンカー・コンディションド・予測とトラスト・レジオン・リファインメントによる自律運転の対話的計画について述べる。 私たちの重要な洞察は、周囲のエージェントは、軌道が正確に実現するよりもむしろ表現する意図に反応するため、単一の反応予測は計画全体にわたって有効であるということです。 したがって、InterACTはインタラクティブな計画を、各意図内での駆動意図と最適化を横断する予測に分解する。 我々は、地図幾何学からアンカーと呼び、アンカーごとに専用のエゴ条件付き予測モデルをクエリし、信頼領域のペナルティの下ですべてのアンカーをクロスエントロピー法で洗練し、その洗練されたプランをアンカーに十分近い状態に保ち、条件付き反応を適用する。 したがって、予測は別のモデルのままであり、タスクの干渉を避ける一方で、アンカーの条件付けは依存関係を保存する。 各アンカーは連続的に洗練されるため、最終的な計画はアンカーセットに制限されないが、InterACTはアンカー毎の予測クエリを1つだけ必要とし、すべてのアンカーを並列に処理する。 nuPlanとInterPlanのクローズドループベンチマークでは、Interactが新たな最先端技術を設定し、メソッドを動機付けるインタラクティブなシナリオにおいて、最も大きな利益を上げている。 コードは受理時にリリースされます。

関連論文リスト

• World Models as Adversaries: Multi-Agent Self-Play Fine-Tuning for Robust Motion Planning [60.88859946006306]
  Adversa World Modeling(英語版)は理論上基礎を成すマルチエージェント・セルフプレイ・ファインチューニングフレームワークである。 内的最小化においては、プランナーの予測世界モデルは、スパースでシーン適応的なアタック・アタック・アライアンスを学ぶロール条件の敵に変換される。 nuPlan と InterPlan のベンチマーク実験により,本手法が伝達可能な対角相互作用を生成することを示す。
  論文  参考訳（メタデータ） (2026-07-12T07:44:16Z)
• PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
  PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。 我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-11-14T11:53:24Z)
• Interactive Joint Planning for Autonomous Vehicles [19.479300967537675]
  対話的な運転シナリオでは、あるエージェントの行動が隣人の行動に大きな影響を及ぼす。 本稿では,MPCを学習予測モデルでブリッジする対話型共同計画(Interactive Joint Planning, IJP)を提案する。 IJPは、共同最適化やサンプリングベースの計画を実行することなく、ベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2023-10-27T17:48:25Z)
• Pixel State Value Network for Combined Prediction and Planning in Interactive Environments [9.117828575880303]
  本研究は,予測と計画を組み合わせた深層学習手法を提案する。 U-Netアーキテクチャを持つ条件付きGANは、2つの高解像度画像シーケンスを予測するために訓練される。 結果は、対立する目的の中で車線の変化のような複雑な状況において直感的な行動を示す。
  論文  参考訳（メタデータ） (2023-10-11T17:57:13Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• 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)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。