論文の概要: A Survey on End-to-End Autonomous Driving Training from the Perspectives of Data, Strategy, and Platform
- arxiv url: http://arxiv.org/abs/2610.00926v1
- Date: Thu, 01 Oct 2026 02:00:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.84648
- Title: A Survey on End-to-End Autonomous Driving Training from the Perspectives of Data, Strategy, and Platform
- Title（参考訳）: データ・戦略・プラットフォームからみたエンド・ツー・エンド自動運転教育に関する調査
- Abstract要約: 本稿では,E2E-ADの学習方法とエコシステムを概観する。
本稿では,相互依存型システムとして訓練を概念化するデータ・ストラテジー・プラットフォーム分類法を提案する。
- 参考スコア（独自算出の注目度）: 40.60747680502972
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving is a cornerstone technology for the future of intelligent transportation, where end-to-end learning has emerged as a transformative paradigm that directly maps multimodal sensory inputs to driving actions through unified differentiable models. While offering advantages, the effectiveness of end-to-end autonomous driving (E2E-AD) is ultimately determined by the quality of its training ecosystem. This paper provides a comprehensive review of training methods and ecosystem for E2E-AD. We introduce a Data-Strategy-Platform taxonomy that conceptualizes training as an interdependent system. The data layer defines what can be learned, the strategy layer governs how learning aligns with driving objectives, and the platform layer supports scalability and continuous evolution. Within this framework, we survey recent advances across data-centric pipelines, learning paradigms, and training infrastructures, and analyze their interplay in shaping model performance, robustness, and deployability. Finally, we reflect on current limitations and articulate a forward-looking vision that emphasizes a shift from data quantity to data value, from isolated optimization to foundation-driven generalization, and from static training to integrated training-testing loops, aiming toward robust, scalable, and trustworthy autonomous driving systems. We maintain a continuously updated repository tracking cutting-edge literature and works at \href{https://github.com/Jiaaqiliu/Awesome-Training-Ecosystem-for-E2E-AD}{Our Project Page}.
- Abstract（参考訳）: エンド・ツー・エンドの学習は、マルチモーダルな感覚入力を直接、統一された微分可能なモデルを通して駆動行動にマッピングするトランスフォーメーションパラダイムとして登場した。
アドバンテージを提供する一方で、エンドツーエンド自動運転(E2E-AD)の有効性は、最終的にトレーニングエコシステムの品質によって決定される。
本稿では,E2E-ADの学習方法とエコシステムを概観する。
本稿では,相互依存型システムとして訓練を概念化するデータ・ストラテジー・プラットフォーム分類法を提案する。
データ層は何が学べるかを定義し、戦略層は学習を駆動目標とどのように一致させるかを定義し、プラットフォーム層はスケーラビリティと継続的進化をサポートする。
このフレームワーク内では、データ中心のパイプライン、学習パラダイム、トレーニングインフラストラクチャにわたる最近の進歩を調査し、モデルパフォーマンス、堅牢性、デプロイ可能性を形成する上での彼らの相互作用を分析します。
最後に、現在の制限を反映して、データ量からデータ値へのシフトを強調し、独立した最適化から基盤駆動の一般化、静的トレーニングから、堅牢でスケーラブルで信頼性の高い自動運転システムを目指して、統合されたトレーニングテストループへと移行する、前方視のビジョンを明確にする。
私たちは、最先端の文献を継続的に更新したリポジトリを維持し、 \href{https://github.com/Jiaaqiliu/Awesome-Training-Ecosystem-for-E2E-AD}{Our Project Page}で作業しています。
関連論文リスト
- CLEAR: Closed-Loop Reinforcement Learning at Scale for End-to-End Autonomous Driving [66.77752555295355]
E2E-ADのための大規模強化学習(RL)を用いた閉ループ訓練システムであるCLEARを提案する。
簡単な報奨により、CLEARは従来の手法よりも大幅に優れ、新しい最先端性能を設定できることが示される。
論文 参考訳（メタデータ） (2026-07-03T00:34:50Z) - Forging Spatial Intelligence: A Roadmap of Multi-Modal Data Pre-Training for Autonomous Systems [75.78934957242403]
自動運転車とドローンは、マルチモーダル搭載センサーデータから真の空間情報を必要とする。
本稿では,この目標に向かって進む中核的な技術群を同定し,マルチモーダル・プレトレーニングのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-30T17:58:01Z) - A Review of Learning-Based Motion Planning: Toward a Data-Driven Optimal Control Approach [9.141034088788233]
高レベルの自律運転のための運動プランニングは、透明で不安定なパイプライン方式と、現代の学習ベースシステムの適応的で不透明な「ブラックボックス」特性とのトレードオフによって制約される。
本稿では,古典的制御と機械学習の適応能力を統合する統一フレームワークとして,データ駆動型最適制御パラダイムを提案する。
本稿では,「Human-Centric」のカスタマイズ,「Platform-Adaptive」の動的適応,自己学習による「System Self-Optimization」の3つの重要な次世代機能を実現するためのフレームワークの可能性を検討する。
論文 参考訳（メタデータ） (2025-12-12T14:01:24Z) - FLAD: Federated Learning for LLM-based Autonomous Driving in Vehicle-Edge-Cloud Networks [13.159277094011053]
Federated Learning(FL)は、自動運転車が生データを共有せずに、協力的にモデルを訓練できるようにすることを約束している。
We present Federated LLM-based Autonomous Driving (FLAD) a FL framework that leverageing distributed multimodal sensory data across AVs in heterogeneous environment。
FLAD には,(1) 通信遅延を低減し,データのプライバシを保護するクラウドエッジ車両協調アーキテクチャ,(2) 訓練効率を最適化する通信スケジューリング機構を用いたインテリジェント並列協調トレーニング,(3) 異種エッジデータに基づいて LLM をパーソナライズする知識蒸留手法,の3つの革新がある。
論文 参考訳（メタデータ） (2025-11-12T06:25:13Z) - SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving [51.47621083057114]
SOLVEは、ビジョンランゲージモデルとエンド・ツー・エンド(E2E)モデルを相乗化して自動運転車の計画を強化する革新的なフレームワークである。
提案手法は,VLMとE2Eコンポーネント間の包括的インタラクションを実現するために,共有ビジュアルエンコーダによる機能レベルでの知識共有を重視している。
論文 参考訳（メタデータ） (2025-05-22T15:44:30Z) - Learning to Drive by Imitating Surrounding Vehicles [0.8902959815221526]
本研究では、周辺車両の観測軌道を利用したデータ拡張戦略を実証実験として検討する。
本稿では,情報的かつ多様な運転行動を優先する簡易な車両選択サンプリングとフィルタリング手法を提案する。
具体的には、このアプローチは衝突率を低減し、ベースラインと比較して安全性の指標を改善する。
論文 参考訳（メタデータ） (2025-03-08T00:40:47Z) - A Survey of World Models for Autonomous Driving [55.520179689933904]
自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。
世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。
今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
論文 参考訳（メタデータ） (2025-01-20T04:00:02Z) - From Imitation to Exploration: End-to-end Autonomous Driving based on World Model [24.578178308010912]
RAMBLEは、意思決定を駆動するエンド・ツー・エンドの世界モデルベースのRL方式である。
複雑な動的トラフィックシナリオを処理できる。
CARLA Leaderboard 1.0では、ルート完了率の最先端のパフォーマンスを達成し、CARLA Leaderboard 2.0では38のシナリオをすべて完了している。
論文 参考訳（メタデータ） (2024-10-03T06:45:59Z)
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。