Fugu-MT 論文翻訳(概要): FocusDrive: Reasoning with Visual Focus for Autonomous Driving

論文の概要: FocusDrive: Reasoning with Visual Focus for Autonomous Driving

arxiv url: http://arxiv.org/abs/2609.33190v1
Date: Sun, 27 Sep 2026 04:17:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-06 02:20:08.766239
Title: FocusDrive: Reasoning with Visual Focus for Autonomous Driving
Title（参考訳）: FocusDrive: 自律運転のためのビジュアルフォーカスによる推論
Abstract要約: 視覚的焦点を明示するエンド・ツー・エンド・プランニングを組織する構造的マルチモーダル推論フレームワークを提案する。まず、運転者の視線予測を通してこの焦点表現を評価し、既存のNAVSIM訓練シーンにおける駆動焦点アノテーションを用いた推論計画におけるその役割について検討する。 W3DAとNAVSIMの実験では、テキストベースのチェーンよりもFocusDriveが改良され、競合する視線予測とエンドツーエンドの計画性能が実証された。
参考スコア（独自算出の注目度）: 23.242331428340055
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Driving decisions depend on both where to focus and how to act on what is seen. Effective driving reasoning must establish which objects matter, where they are, and how they inform the intended action. Text-based rationales can describe a driving response while leaving its correspondence to specific visual evidence implicit. Visual focus provides a concrete starting point for this connection by identifying what matters in the scene and where it is. We propose FocusDrive, a structured multimodal reasoning framework that organizes end-to-end planning around explicit visual focus. It pairs descriptions of decision-relevant objects with image-patch references, bringing explicit visual focus into the reasoning that generates driving plans and trajectories. We first assess this focus representation through driver gaze prediction, then investigate its role in planning reasoning using driving-focus annotations within existing NAVSIM training scenes. Experiments on W3DA and NAVSIM demonstrate competitive gaze prediction and end-to-end planning performance, with FocusDrive improving over text-based chain-of-thought. These results support visual focus as an effective link between scene understanding and driving action.
Abstract（参考訳）: 意思決定は、どこにフォーカスするか、何が目に見えるかの両方に依存します。効果的な駆動推論は、どのオブジェクトが重要か、どこにいるか、そしてどのように意図された行動を伝えるかを確立する必要がある。テキストベースの理性は、特定の視覚的証拠への対応を暗黙的に残しながら、運転応答を記述することができる。視覚的なフォーカスは、シーンで何が重要で、どこにあるかを特定することで、この接続の具体的な出発点を提供する。視覚的焦点を意識したエンド・ツー・エンド・プランニングを組織する構造化マルチモーダル推論フレームワークであるFocusDriveを提案する。決定関連オブジェクトの記述とイメージパッチ参照を組み合わせ、運転計画と軌跡を生成する推論に明確な視覚的焦点をあてる。まず、運転者の視線予測を通してこの焦点表現を評価し、既存のNAVSIM訓練シーンにおける駆動焦点アノテーションを用いた推論計画におけるその役割について検討する。 W3DAとNAVSIMの実験では、テキストベースのチェーンよりもFocusDriveが改良され、競合する視線予測とエンドツーエンドの計画性能が実証された。これらの結果は、シーン理解と運転行動の効果的なリンクとして視覚的焦点を支持する。

関連論文リスト

ProFocus: Proactive Perception and Focused Reasoning in Vision-and-Language Navigation [57.65093237897077]
本稿では,UnderlineProactive PerceptionとUnderlineFocused Reasoningを統合したトレーニングフリープログレッシブフレームワークを提案する。積極的に知覚するために、ProFocusはパノラマ観測を構造的エゴ中心のセマンティックマップに変換する。そこで本研究では,BD-MCTS(Branch-Diverse Monte Carlo Tree Search)を提案する。
論文参考訳（メタデータ） (2026-03-01T04:13:18Z)
VISTA: Vision-Language Imitation of Situational Thinking and Attention for Human-Like Driver Focus in Dynamic Environments [0.0]
運転者の視線の変化を自然言語でモデル化する視覚言語フレームワークを提案する。提案手法は,低レベルキューとトップダウンコンテキストの両方を統合し,視線行動の言語による記述を可能にする。その結果,微調整モデルでは,注目シフト検出や解釈可能性において汎用VLMよりも優れていた。
論文参考訳（メタデータ） (2025-08-07T21:01:43Z)
InsightDrive: Insight Scene Representation for End-to-End Autonomous Driving [3.8737986316149775]
我々はInsightDriveと呼ばれる新しいエンドツーエンドの自動運転手法を提案する。言語誘導されたシーン表現によって知覚を整理する。実験では、InsightDriveはエンドツーエンドの自動運転において最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-03-17T10:52:32Z)
Interpretable End-to-End Driving Model for Implicit Scene Understanding [3.4248756007722987]
暗黙的な高次元シーン特徴を抽出するエンド・ツー・エンドのインプリケート・インプリケート・ドライビング・シーン理解(II-DSU)モデルを提案する。提案手法は,新しい最先端技術を実現し,運転に関連するよりリッチなシーン情報を具現化したシーン特徴を得ることができる。
論文参考訳（メタデータ） (2023-08-02T14:43:08Z)
Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。 TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
論文参考訳（メタデータ） (2023-04-11T15:23:29Z)
JPerceiver: Joint Perception Network for Depth, Pose and Layout Estimation in Driving Scenes [75.20435924081585]
JPerceiverは、モノクロビデオシーケンスからスケール認識深度とVOとBEVレイアウトを同時に推定することができる。クロスビュー幾何変換(CGT)を利用して、絶対スケールを道路レイアウトから奥行きとVOに伝播させる。 Argoverse、Nuscenes、KITTIの実験は、上記の3つのタスクの全てにおいて、既存のメソッドよりもJPerceiverの方が優れていることを示している。
論文参考訳（メタデータ） (2022-07-16T10:33:59Z)
Where and What: Driver Attention-based Object Detection [13.5947650184579]
画素レベルとオブジェクトレベルのアテンション予測のギャップを埋める。本フレームワークは,画素レベルとオブジェクトレベルの両方において,最先端の競合性能を実現する。
論文参考訳（メタデータ） (2022-04-26T08:38:22Z)
Structured Bird's-Eye-View Traffic Scene Understanding from Onboard Images [128.881857704338]
本研究では,BEV座標における局所道路網を表す有向グラフを,単眼カメラ画像から抽出する問題について検討する。提案手法は,BEV平面上の動的物体を検出するために拡張可能であることを示す。我々は、強力なベースラインに対するアプローチを検証するとともに、ネットワークが優れたパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2021-10-05T12:40:33Z)
Perceive, Attend, and Drive: Learning Spatial Attention for Safe Self-Driving [84.59201486239908]
本稿では,入力の重要領域への自動参加を学習するスパースアテンションモジュールを備えたエンドツーエンドの自動運転ネットワークを提案する。注意モジュールは特に運動計画をターゲットにしているが、以前の文献は知覚タスクにのみ注意を向けていた。
論文参考訳（メタデータ） (2020-11-02T17:47:54Z)
Studying Person-Specific Pointing and Gaze Behavior for Multimodal Referencing of Outside Objects from a Moving Vehicle [58.720142291102135]
物体選択と参照のための自動車応用において、手指しと目視が広く研究されている。既存の車外参照手法は静的な状況に重点を置いているが、移動車両の状況は極めて動的であり、安全性に制約がある。本研究では,外部オブジェクトを参照するタスクにおいて,各モダリティの具体的特徴とそれら間の相互作用について検討する。
論文参考訳（メタデータ） (2020-09-23T14:56:19Z)

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。