論文の概要: Closed-Loop Refinement and Execution for Learned Driving Planners

• arxiv url: http://arxiv.org/abs/2610.00992v2
• Date: Sat, 03 Oct 2026 01:10:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 04:43:28.509626
• Title: Closed-Loop Refinement and Execution for Learned Driving Planners
• Title（参考訳）: 学習した運転プランナのクローズドループリファインメントと実行
• Abstract要約: 閉じたループでは、小さな変位誤差の軌道が車両を停止させたり、周囲のエージェントと衝突させたり、急激なブレーキで実行したりすることができる。 本稿では,階層型回帰水平制御フレームワークであるCLRE(Closed-Loop Refinement and Execution)を紹介する。 VADをアップストリームプランナーとする220ルートのBench2Drive検証セットのクローズループシミュレーションでは、CLREは駆動スコアを42.26から55.89に引き上げ、経路完了を55.69から71.51に、衝突イベントを117から97に低減した。
• 参考スコア（独自算出の注目度）: 3.5368690233168114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based driving planners are usually trained and evaluated in open loop against logged trajectories. In closed loop, a trajectory with small displacement error can still stall the vehicle, steer it into a conflict with surrounding agents, or be executed with abrupt braking. We introduce Closed-Loop Refinement and Execution (CLRE), a hierarchical receding-horizon control framework designed to mitigate these failure modes while leaving the upstream planner frozen and adding no new learned model. The upper layer treats the nominal trajectory as a reference and solves a finite-horizon optimal control problem that trades route progress against interaction with predicted agents. Solving it from several initializations gives a candidate set, and a prediction-conditioned oriented-bounding-box (OBB) feasibility test retains only candidates whose minimum predicted OBB clearance over the horizon meets a threshold. The lower layer executes the lowest-cost survivor, or a route-centerline backup when none remains, through the tracking controller supplied with the planner, augmented by a range-based speed bound and a saturated proportional braking law. In closed-loop simulation on the 220-route Bench2Drive validation set with VAD as the upstream planner, CLRE raises the driving score from 42.26 to 55.89 and route completion from 55.69 to 71.51, and reduces collision events from 117 to 97.
• Abstract（参考訳）: 学習ベースの運転プランナは通常、ログされた軌跡に対するオープンループでトレーニングされ、評価される。 閉じたループでは、小さな変位誤差の軌道が車両を停止させたり、周囲のエージェントと衝突させたり、急激なブレーキで実行したりすることができる。 我々は、上流プランナーを凍結させ、新しい学習モデルを追加せずに、これらの障害モードを緩和するように設計された階層的後退水平制御フレームワークであるCLRE(Closed-Loop Refinement and Execution)を紹介した。 上層は名目軌道を基準として扱い、予測エージェントとの相互作用に対して経路進行をトレードオフする有限水平最適制御問題を解く。 いくつかの初期化からそれを解決することは、候補セットを与え、予測条件付き指向性バウンディングボックス(OBB)の実現可能性テストは、水平線上の最小予測 OBB クリアランスがしきい値を満たす候補のみを保持する。 下層は、プランナーに供給されたトラッキングコントローラを介して、最低コストのサバイバル又はルート中心バックアップを実行し、レンジベース速度バウンドと飽和比例ブレーキ法により強化する。 VADをアップストリームプランナーとする220ルートのBench2Drive検証セットのクローズループシミュレーションでは、CLREは駆動スコアを42.26から55.89に引き上げ、経路完了を55.69から71.51に、衝突イベントを117から97に低減した。

関連論文リスト

• Guiding End-to-End Driving Models with Endpoint-Constrained Trajectory Optimization [36.24105907105275]
  軽量な後処理層が車両の走行履歴に軌道を固定し、ポリシーの予測されたエンドポイントを保存し、中間の経路ポイントを再設定して実現可能性を向上させる方法を示す。 2つのクローズドループシミュレータを通して、6つの評価された生成および回帰に基づく駆動ポリシーの総合クローズドループスコアを改善する。 これらの結果は, エンド・ツー・エンド運転モデルの広範囲な収集において, ポリシの予測終端を変更することなく, 予測軌跡の中間形状を修復することで, 閉ループ性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2026-09-25T15:17:21Z)
• Control-Informed Constraint Adaptation in Minimum-Time Trajectory Planning for Autonomous Racing [41.40585589054522]
  軌道プランナーは完全な追跡を前提とし、実行エラーを無視する。 制御インフォームドオンライン軌道計画フレームワークを導入し,実行エラーから学習する。 計算負荷を増大させることなくラップタイムを1.8秒短縮できることを示す。
  論文  参考訳（メタデータ） (2026-08-14T16:32:12Z)
• Biconvex Optimization for Smooth Minimum-Time Trajectories around Convex Obstacles [49.315843050082925]
  本稿では,最小時間移動計画凸障害物に対して,収束が保証されるバイアプローチを提案する。 提案手法は,変数の最先端分解を生成するために,時間とともに高品質な軌道を生成する。
  論文  参考訳（メタデータ） (2026-08-03T19:48:24Z)
• 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)
• Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
  本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。 シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。 高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
  論文  参考訳（メタデータ） (2026-02-17T15:10:44Z)
• 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)
• Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
  我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。 本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
  論文  参考訳（メタデータ） (2025-03-14T17:59:41Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)

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。