論文の概要: BridgeGuard: Explicit Safety Drift for Diffusion-based Autonomous Driving
- arxiv url: http://arxiv.org/abs/2610.11483v1
- Date: Thu, 08 Oct 2026 08:26:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.892782
- Title: BridgeGuard: Explicit Safety Drift for Diffusion-based Autonomous Driving
- Title（参考訳）: BridgeGuard: 拡散に基づく自動運転のための明示的な安全ドリフト
- Abstract要約: BridgeGuardは、安全性に制約のある拡散計画手法である。
補正は低次元の曲線空間で動作する。
Bench2Driveでは、BridgeGuardが87.99/74.99%から90.88/76.36%に向上している。
- 参考スコア（独自算出の注目度）: 17.899909515728698
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion-based driving planners capture diverse behaviors but can generate unsafe trajectories under distribution shift. We propose BridgeGuard, a safety-constrained diffusion planning method that progressively strengthens a constraint term during denoising to drive intermediate trajectories toward a scene-dependent safety domain. Corrections operate in a low-dimensional curve space, promoting geometric coherence. A learned module, DistanceFieldNet, predicts a time-dependent distance field from bird's-eye-view features. Value and spatial-gradient supervision at queries sampled beyond expert trajectories teaches this field about both safe and unsafe regions. The learned field supplies the constraint term through safety injection while the pretrained perception backbone and planner remain frozen. We further establish sufficient conditions for terminal safety in an idealized continuous-time bridge. On Bench2Drive, BridgeGuard improves driving score/success rate from 87.99/74.99% to 90.88/76.36% for BridgeDrive and from 80.79/58.18% to 90.46/74.09% for $\text{DiffusionDrive}^{\text{geo}}$, demonstrating cross-model generalization.
- Abstract（参考訳）: 拡散に基づく運転プランナーは多様な挙動を捉えるが、分散シフトの下では安全でない軌道を生成することができる。
本稿では,シーン依存型安全領域に向けて中間軌道を駆動するために,デノナイズ中の制約項を段階的に強化する,安全制約付き拡散計画手法であるBridgeGuardを提案する。
補正は低次元の曲線空間で行われ、幾何学的コヒーレンスを促進する。
学習モジュールであるDistanceFieldNetは、鳥の目視特徴から時間依存距離フィールドを予測する。
専門家のトラジェクトリを超えてサンプリングされたクエリの値と空間的な段階的な監視は、安全領域と安全領域の両方についてこの分野を教える。
学習フィールドは安全注入を通じて制約項を供給し、事前学習された知覚バックボーンとプランナーは凍結したままである。
さらに, 理想化された連続時間橋において, 終端安全のための十分な条件を確立する。
Bench2Drive では、BridgeGuard は 87.99/74.99% から 90.88/76.36% に、80.79/58.18% から 90.46/74.09% に $\text{DiffusionDrive}^{\text{geo}}$ を改良し、クロスモデル一般化を実証している。
関連論文リスト
- NMPP: Nonlinear Model Predictive Planning for Agile UAV Flight in Cluttered Environments [3.5945543871230274]
本研究では,認知障害をハード制約として課すモデル予測計画(NMPP)を提案する。
また, 直線軌道平面よりも58 %低い位置RMSE, 軌道平面より41-70 %低い位置RMSEを実現した。
実際の展開では、未知の乱雑な環境で5.5m/-67までの信頼性の高い実行が見られた。
論文 参考訳（メタデータ） (2026-10-06T17:10:59Z) - RefineDrive: Reliable Failure-Guided Learning for Vision-Language-Action Driving [16.68571039427634]
自動運転のためのビジョンランゲージ・アクション(VLA)モデルは、専門家によるデモンストレーションの成功に大きく依存している。
これらの失敗から学ぶことは、信頼性の低い診断、不一致の修正ターゲット、粗い報酬によって妨げられる。
本稿では、自己生成障害から学習する、障害誘導後トレーニングフレームワークRefineDriveを提案する。
論文 参考訳（メタデータ） (2026-09-28T13:01:25Z) - Safe Local Navigation for Ackermann-Steered Robots in Unmapped Environments [0.9167082845109437]
アッカーマンステアリングを備えた移動ロボットの非マップ環境における局所ナビゲーションのためのフレームワークを提案する。
局所的障害物検出に基づいて、車両前方の最大の開放空間の方向に沿って、最も安全な方向角が決定される。
提案手法は,既存の探索型プランナに比べて,比較的短い時間で安全な航法経路を生成する。
論文 参考訳（メタデータ） (2026-06-18T00:49:58Z) - PC-Diffuser: Path-Consistent Capsule CBF Safety Filtering for Diffusion-Based Trajectory Planner [15.914164951048614]
PC-Diffuserは、拡散計画のデノイングループに直接パス一貫性のあるバリア関数構造を組み込む安全強化フレームワークである。
車両形状をよりよく反映するカプセル距離バリア関数を用いて衝突リスクを評価する。
自転車の車体モデルの下で、識別されたウェイポイントを動的に実現可能な運動に変換する。
論文 参考訳（メタデータ） (2026-03-11T01:52:56Z) - Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。
既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。
我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
論文 参考訳（メタデータ） (2025-10-10T18:42:32Z) - BridgeDrive: Diffusion Bridge Policy for Closed-Loop Trajectory Planning in Autonomous Driving [29.832781649644414]
BridgeDriveは、閉ループ軌道計画のための新しいアンカー誘導拡散ブリッジポリシーである。
我々はBench2Driveベンチマークで最先端のパフォーマンスを達成し、先行技術よりも成功率を5%向上させた。
論文 参考訳（メタデータ） (2025-09-28T02:47:12Z) - FlowDrive: Energy Flow Field for End-to-End Autonomous Driving [50.89871153094958]
FlowDriveは、物理的に解釈可能なエネルギーベースのフローフィールドを導入し、セマンティックな前提と安全性をBEV空間にエンコードする新しいフレームワークである。
NAVSIM v2ベンチマークの実験では、FlowDriveが最先端のパフォーマンスを86.3で達成し、安全性と計画品質の両方において以前のベースラインを超えたことが示されている。
論文 参考訳（メタデータ） (2025-09-17T13:51:33Z) - SafePath: Conformal Prediction for Safe LLM-Based Autonomous Navigation [67.22657932549723]
SafePathは,LLM(Large Language Models)を公式な安全保証とともに拡張するフレームワークである。
第1段階では,多様な候補経路を生成するLCMを用いて,エージェントの挙動と環境条件に基づく軌道探索を行う。
第2段階では、SafePathはリスクの高いトラジェクトリをフィルタリングし、少なくとも1つのセーフオプションがユーザ定義の確率に含まれていることを保証します。
最終段階では,不確実性が低い場合や不確実性が高い場合,人間に制御を委譲する場合の衝突リスクが最も低い経路を選択する。
論文 参考訳（メタデータ） (2025-05-14T14:28:24Z) - 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) - Manipulating Trajectory Prediction with Backdoors [94.22382859996453]
軌道予測に影響を及ぼす可能性のある4つのトリガを記述し,検討した。
モデルの性能は良好だが、バックドアには弱い。
バックドアに対する防御範囲を評価する。
論文 参考訳（メタデータ） (2023-12-21T14:01:51Z)
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。