論文の概要: End-to-End Learning vs. Modular Architectures: Comparative Insights into Autonomous Driving Systems

• arxiv url: http://arxiv.org/abs/2610.01746v1
• Date: Thu, 01 Oct 2026 14:15:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.181617
• Title: End-to-End Learning vs. Modular Architectures: Comparative Insights into Autonomous Driving Systems
• Title（参考訳）: エンド・ツー・エンドの学習対モジュラーアーキテクチャ:自律運転システムの比較
• Abstract要約: End-to-End LearningとModular Architecturesは、自律運転システムのための2つの顕著な設計パラダイムを提供する。 本稿では、様々な自動運転アプリケーションに適合する可能性について、その強み、限界、トレードオフに焦点をあてる。 これらの制限に対処するため、両方のパラダイムの強みを組み合わせたハイブリッドアプローチが出現した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous driving systems have become a central focus of intelligent transportation research, with End-to-End Learning and Modular Architectures offering two prominent design paradigms for their implementation. E2E Learning uses deep learning algorithms to map raw sensory inputs directly to driving actuators, providing a streamlined and adaptable solution. while Modular Architectures employ a pipeline-based approach, dividing the system into distinct subsystems for perception, cognition, planning, and control. This paper presents a comprehensive comparative analysis of these paradigms, focusing on their strengths, limitations, and trade-offs to provide insights into their suitability for various autonomous driving applications. The study evaluates key factors such as interpretability, scalability, robustness, and real-world applicability. While End-to-End Learning emphasizes simplicity and adaptability in dynamic environments, it lacks transparency and is highly dependent on large datasets. Conversely, Modular Architectures offer superior interpretability and task-specific optimization, but face challenges related to integration complexity and scalability. To address these limitations, hybrid approaches that combine the strengths of both paradigms have emerged, offering a promising direction for overcoming these challenges. Beyond this comparative synthesis, following work proposes a Four-Dimensional Architecture Selection Framework, comprising twelve binary criteria across safety, operating environment, data/computational resources, and deployment context, and validate it against ten published autonomous driving systems, correctly recommending 7/10 deployed architectures. This work synthesizes existing literature to highlight key trade-offs between the paradigms and identifies hybrid architectures as a promising direction for future research.
• Abstract（参考訳）: 自律運転システムはインテリジェント交通研究の中心となり、エンド・ツー・エンド・ラーニング(End-to-End Learning)とモジュラー・アーキテクチャ(Modular Architectures)は、その実装に2つの顕著な設計パラダイムを提供している。 E2E Learningはディープラーニングアルゴリズムを使用して、生の感覚入力を直接駆動アクチュエータにマッピングし、合理化され適応可能なソリューションを提供する。 一方、モジュールアーキテクチャはパイプラインベースのアプローチを採用しており、認識、認知、計画、制御のためにシステムを別々のサブシステムに分割する。 本稿では、これらのパラダイムを総合的に比較分析し、その強み、限界、トレードオフに着目し、様々な自動運転アプリケーションに適合する可能性について考察する。 この研究は、解釈可能性、スケーラビリティ、堅牢性、実世界の適用性といった重要な要素を評価する。 End-to-End Learningは、動的環境におけるシンプルさと適応性を強調しているが、透明性に欠け、大規模なデータセットに大きく依存している。 逆に、モジュールアーキテクチャは、優れた解釈可能性とタスク固有の最適化を提供するが、統合の複雑さとスケーラビリティに関連する課題に直面している。 これらの制限に対処するため、両方のパラダイムの長所を組み合わせたハイブリッドアプローチが登場し、これらの課題を克服するための有望な方向を提供する。 この比較合成の他にも、安全、運用環境、データ/計算リソース、デプロイメントコンテキストにまたがる12のバイナリ基準を含む4次元アーキテクチャ選択フレームワークを提案し、それを10の自動運転システムに対して検証し、7/10のデプロイされたアーキテクチャを正しく推奨する。 この研究は、既存の文献を合成し、パラダイム間の重要なトレードオフを強調し、ハイブリッドアーキテクチャを将来の研究の有望な方向として特定する。

関連論文リスト

• From Models to Systems: A Comprehensive Survey of Efficient Multimodal Learning [126.2308206954491]
  本調査では,効率的なマルチモーダル学習のためのモデル・ツー・システム分類を初めて導入した。 我々は300を超える精巧な作品から3つの階層的なレベル – モデル,アルゴリズム,システム – への洞察を抽出し,アーキテクチャのパーシモニー,実行の洗練,ハードウェア対応のオーケストレーションを行う。
  論文  参考訳（メタデータ） (2026-09-16T21:27:22Z)
• Dual Process Motion Planning [53.570848178455776]
  頑健な推論と学習の強みを組み合わせたデュアルプロセスアーキテクチャを導入する。 我々のフレームワークは、経験駆動型System-1'モジュールでSystem-2'コンポーネントとして最先端のシンボルソルバを統合している。
  論文  参考訳（メタデータ） (2026-09-01T13:52:12Z)
• 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)
• Interpretable by Design: Query-Specific Neural Modules for Explainable Reinforcement Learning [0.3655021726150367]
  我々はRLシステムを推論エンジンとして設計し、環境に関する多様な問い合わせに答える。 クエリ条件付き決定論的推論ネットワーク(QDIN)は,クエリの種類を第一級市民として扱う統一アーキテクチャである。 予測精度は、制御性能が最適以下であってもほぼ完璧なレベルに達する。
  論文  参考訳（メタデータ） (2025-11-11T20:08:32Z)
• 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)
• Planning-oriented Autonomous Driving [60.93767791255728]
  我々は、最終目標、すなわち自動運転車の計画を追求するために、好ましいフレームワークを考案し、最適化すべきであると主張している。 フルスタック運転タスクをひとつのネットワークに組み込んだ総合的なフレームワークであるUnified Autonomous Driving (UniAD)を紹介した。
  論文  参考訳（メタデータ） (2022-12-20T10:47:53Z)

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。