論文の概要: Grounding What Shapes the Plan: Rethinking Groundedness for Physical Intelligence in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2610.07521v1
• Date: Mon, 05 Oct 2026 23:39:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.716537
• Title: Grounding What Shapes the Plan: Rethinking Groundedness for Physical Intelligence in Autonomous Driving
• Title（参考訳）: 計画がどのような形になるか: 自律運転における物理知能の基盤性を再考する
• Abstract要約: モデル駆動は、因果関係、空間構造、知覚的証拠、予測される未来において、ますます根拠となる推論を基礎にしている。 GroundActを紹介します。これは単純な前提から始まり、物理的な実体とその相互作用を通して展開を駆動します。 その結果は、その計画が何を行うかという根拠から、私たちが基本計画と呼ぶ明確なパスになります。
• 参考スコア（独自算出の注目度）: 82.81750079873795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Driving models increasingly ground reasoning in causal relations, spatial structure, perceptual evidence, and predicted futures. These advances make reasoning more faithful to the driving scene, but leave a fundamental question unresolved: what should groundedness mean when the model ultimately outputs an action? Correctly grounded reasoning does not, by itself, ensure desirable driving outcomes. We introduce GroundAct, which starts from a simple premise: driving unfolds through physical entities and their interactions. Entities therefore become the unit of grounding; a lightweight reference token keeps each selected entity's continuous state addressable through symbolic reasoning; and only the referenced entities' interactions with the evolving proposal correct the plan. The result is an explicit path from what reasoning grounds to what the plan does, which we call grounded planning. To assess its practical value, we evaluate GroundAct in both open- and closed-loop settings. GroundAct shows strong open-loop planning across normal, out-of-distribution, and safety-critical scenarios, with closed-loop results extending this evidence to driving in simulation.
• Abstract（参考訳）: 運転モデルは、因果関係、空間構造、知覚的証拠、予測される未来において、ますます根拠となる。 これらの進歩は、運転シーンにより忠実な理由を与えるが、根本的な疑問を未解決のまま残す。 正しく根拠付けられた推論は、それ自体が望ましい運転結果を保証するものではない。 GroundActを紹介します。これは単純な前提から始まり、物理的な実体とその相互作用を通して展開を駆動します。 したがって、エンティティはグラウンドリングの単位となり、軽量な参照トークンは、それぞれの選択されたエンティティの連続状態がシンボル的推論によってアドレス化可能であることを保ち、参照されたエンティティと進化する提案との相互作用だけが計画を修正します。 その結果は、その計画が何を行うかという根拠から、私たちが基本計画と呼ぶ明確なパスになります。 その実用的価値を評価するため,オープンループとクローズループの両方でGroundActを評価した。 GroundActは、通常の、配布外、安全クリティカルなシナリオにまたがる強力なオープンループ計画を示しており、クローズドループの結果は、この証拠をシミュレーションでの運転にまで拡張している。

関連論文リスト

• GRAVA: Grounded Reasoning-to-Action Representation and Learning for Autonomous Driving [19.900072085040794]
  GRAVAはGRA( Grounded Reasoning-to-Action)を中心に構築されたフレームワークである。 GRAは、アクション関連言語参照を2次元視覚領域とエゴ中心の物理的状態にリンクし、オブジェクトの相互作用と決定を軌跡アンコールされた型付きグラフで整理し、この構造を基底的推論にシリアライズする。 プログレッシブ・トレーニング・ストラテジーは、事前学習を通じて基礎的な認知を発達させ、模倣によって推論と行動のインターフェースを確立し、強化学習と探索を通じて運転行動を改善する。
  論文  参考訳（メタデータ） (2026-09-14T07:55:04Z)
• What Probing Reveals about Autonomous Driving: Linking Internal Prediction Errors to Ego Planning [4.0952543282008795]
  大規模データセットとシミュレーターは、安全で堅牢に見える運転ポリシーの改善を可能にした。 しかし、名目上のシナリオにおける強力なパフォーマンスは、依然として欠陥のある推論と安全でないことを隠蔽することができる。 われわれは、周囲の車両が次に移動する予測の形式を探り、安全な軌道の作り方を理解することに注力する。
  論文  参考訳（メタデータ） (2026-06-30T04:04:01Z)
• Thinking with Visual Grounding [55.778136782175615]
  本稿では,各ステップで使用される視覚的エビデンスを明示的ポイントやボックスグラウンドで,モデルが自然言語思考をインターリーブする推論プロセスである視覚的グラウンドド・シンキングを紹介する。 この動作をトレーニングするために,正確な視覚的推論トレースを抽出するスケーラブルな合成パイプラインを構築した。 本稿では,回答正当性報酬と,生成したオブジェクト参照が正しい画像証拠と一致するか否かをスコアする密接なグラウンド化報酬を組み合わせたグラウンド化対応強化学習を提案する。
  論文  参考訳（メタデータ） (2026-06-15T02:28:34Z)
• Align2Act: Instruction-Tuned Models for Human-Aligned Autonomous Driving [0.0]
  そこで我々は,Align2Actを提案する。Align2Actは,命令付き言語モデルを人間の行動に合わせた解釈可能なプランナーに変換する動き計画フレームワークである。 nuPlanデータセットから100万のシナリオ上でLLaMA-2-7BをLoRAで微調整することにより,Test14-randomのオープンループスコア85.17,クローズループスコア70.31,66.96を達成できる。 合成またはオープンループ設定に重点を置いた以前の作業とは異なり、実際のnuPlanクローズドループベンチマークにおいて、計画品質と人間的類似性が改善された。
  論文  参考訳（メタデータ） (2025-10-12T08:50:34Z)
• More Than Meets the Eye? Uncovering the Reasoning-Planning Disconnect in Training Vision-Language Driving Models [14.964195894958133]
  私たちは、計画整合型チェーン・オブ・ソート(CoT)を備えた大規模運転型視覚質問応答(VQA)コーパスであるDriveMindを構築した。 我々の結果は、残念ながら、推論計画における一貫した因果切断を示している。 本稿では, 因果媒介者というよりは, 習熟推論は補助的副産物である, という仮説を提唱する。
  論文  参考訳（メタデータ） (2025-10-06T06:50:16Z)
• Automated Hybrid Grounding Using Structural and Data-Driven Heuristics [68.08622864330296]
  ハイブリットグラウンドリングは、標準ボトムアップグラウンドリングの強度と、グラウンドニング中にルールボディを分離する手法を組み合わせたものである。 ハイブリッド接地が身体分離接地をいつ使うか、標準ボトムアップ接地をいつ使うかは未定である。 我々は,データ構造に基づく分割アルゴリズムを導入し,身体分離接地と標準接地がいつ有用かを検出する。
  論文  参考訳（メタデータ） (2025-07-23T13:19:02Z)
• QuAD: Query-based Interpretable Neural Motion Planning for Autonomous Driving [33.609780917199394]
  自動運転車は環境を理解して適切な行動を決定する必要がある。 従来のシステムは、シーン内のエージェントを見つけるためにオブジェクト検出に依存していた。 我々は、最初に占有する時間的自律性を知覚するカスケードモジュールから遠ざかる、統一的で解釈可能で効率的な自律フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-01T21:11:43Z)
• Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? [84.17711168595311]
  エンドツーエンドの自動運転は、フルスタックの観点から自律性を目標とする、有望な研究の方向性として浮上している。 比較的単純な駆動シナリオを特徴とするnuScenesデータセットは、エンド・ツー・エンド・モデルにおける知覚情報の未使用化につながる。 予測軌跡が道路に付着するかどうかを評価するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-12-05T11:32:31Z)
• 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)

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。