論文の概要: SDPAD: A Fully Spike-Driven Pipeline for End-to-End Autonomous Driving
- arxiv url: http://arxiv.org/abs/2610.11583v1
- Date: Thu, 08 Oct 2026 09:33:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.930467
- Title: SDPAD: A Fully Spike-Driven Pipeline for End-to-End Autonomous Driving
- Title（参考訳）: SDPAD: エンドツーエンドの自動運転のための完全なスパイク駆動パイプライン
- Abstract要約: 最先端の人工知能ニューラルネットワーク(ANN)プランナーは、高密度計算のコストで精度の要求を満たす。
しかし、スパイクニューラルネットワーク(SNN)の精度は、まだはるかに遅れている。
完全なスパイク駆動のエンドツーエンド計画パイプラインである textbfSDPAD を提示する。
- 参考スコア（独自算出の注目度）: 9.928561993466458
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: End-to-end autonomous driving demands trajectory planners that are both highly accurate and cheap enough for edge deployment. State-of-the-art artificial neural network (ANN) planners meet the accuracy requirement at the cost of heavy dense computation, while spiking neural networks (SNNs)---though promising orders-of-magnitude energy savings through sparse, event-driven arithmetic---still lag far behind in planning accuracy. We present \textbf{SDPAD}, a fully spike-driven end-to-end planning pipeline that closes this gap. SDPAD converts a pre-trained ANN perception stack into integer-spike form via quantized ANN2SNN conversion, lifts multi-view images into the bird's-eye-view (BEV) space with a spike-driven-max (SDM) depth distribution (Spike-3D-Lift), and plans through the Spike-QFormer, a spiking query transformer in which ego, agent, and map queries distilled from the BEV scene are fused by learnable waypoint queries via cross-attention, followed by deformable spike-cross-attention refinement. Every operation is gated by integer spikes and inference is a single feed-forward pass without temporal simulation loops. On the nuScenes open-loop benchmark, SDPAD achieves an average $L_2$ error of 0.40\,m and a collision rate of 0.12\%, on par with strong ANN planners while consuming 69.9\,mJ---less than 2\% of recent ANN baselines. In closed-loop evaluation on the NAVSIM navtest split, SDPAD reaches 86.3 PDMS, surpassing the previous SNN planner SAD by 4.3 points and matching mainstream ANN planners at a fraction of their energy. To our knowledge, SDPAD is the first fully spike-driven planner evaluated in end-to-end autonomous driving, demonstrating that SNNs can rival dense ANNs in complex driving tasks.
- Abstract（参考訳）: エンド・ツー・エンドの自動運転は、エッジデプロイメントに十分な精度と安価の両方のトラジェクティブ・プランナーを必要とする。
最先端の人工知能ニューラルネットワーク(ANN)プランナーは、高密度計算のコストで精度を満足する一方で、ニューラルネットワーク(SNN)をスパイクする。
このギャップを埋める、完全にスパイク駆動のエンドツーエンド計画パイプラインである \textbf{SDPAD} を提示する。
SDPADは、事前学習されたANN知覚スタックを、量子化されたANN2SNN変換を介して整数スパイク形式に変換し、スパイク駆動型マックス(SDM)深さ分布(Spike-3D-Lift)で、複数ビュー画像を鳥の目視(BEV)空間に持ち上げ、スパイクQFormerを通じて計画する。
全ての演算は整数スパイクによってゲートされ、推論は時間的シミュレーションループのない単一のフィードフォワードパスである。
nuScenesのオープンループベンチマークでは、SDPADは平均$L_2$エラー0.40\,mと衝突率0.12\%を達成し、最近のANNベースラインの2\%以下で69.9\,mJを消費する。
NAVSIMナヴテスト分割のクローズループ評価では、SDPADは86.3 PDMSに達し、以前のSNNプランナーSADを4.3ポイント上回った。
我々の知る限り、SDPADは、エンドツーエンドの自動運転で評価された最初の完全なスパイク駆動プランナーであり、SNNが複雑な運転タスクにおいて、密集したANNと競合できることを実証している。
関連論文リスト
- Learning While Inferring: Local and Parallel Learning for Edge SNNs across Sensing Modalities [26.112166495365198]
エッジSNNを推論しながら学習するためのデバイス上での学習原理として,双方向スパイクに基づく蒸留について検討する。
BSDは刺激駆動のフォワードネットワークと独立なターゲット駆動のリバースネットワークを結合し、その中間表現を局所的な目的を通して整列させる。
SOULの5つのセンシングモードにまたがる25のベンチマークでは、BSDは平均してマッチしたBPベースラインの3.8ポイント以内に留まる。
論文 参考訳（メタデータ） (2026-10-02T11:18:20Z) - Depth-Wise Probing and Pruning of the Planning Token in a Driving Vision-Language-Action Model [10.925063608741844]
生成計画立案者が軌道に復号する単一計画トークンにより、計画全体を担っているVLAの代表者について検討する。
ナビゲーションコマンドの線形復調性と,凍結したネイティブプランナとの軌道互換性の2つの信号を測定する。
論文 参考訳（メタデータ） (2026-08-07T16:02:34Z) - Time Is All It Takes: Spike-Retiming Attacks on Event-Driven Spiking Neural Networks [87.16809558673403]
スパイキングニューラルネットワーク(SNN)は離散スパイクで計算し、時間構造を利用する。
イベント駆動SNNにおけるスパイク数と振幅を保存しながら、既存のスパイクを繰り返すタイミングのみの敵について検討する。
論文 参考訳（メタデータ） (2026-02-03T09:06:53Z) - High-performance deep spiking neural networks with 0.3 spikes per neuron [9.01407445068455]
バイオインスパイアされたスパイクニューラルネットワーク(SNN)を人工ニューラルネットワーク(ANN)より訓練することは困難である
深部SNNモデルのトレーニングは,ANNと全く同じ性能が得られることを示す。
我々のSNNは1ニューロンあたり0.3スパイク以下で高性能な分類を行い、エネルギー効率の良い実装に役立てる。
論文 参考訳（メタデータ） (2023-06-14T21:01:35Z) - Knowing When to Stop: Delay-Adaptive Spiking Neural Network Classifiers with Reliability Guarantees [36.14499894307206]
スパイキングニューラルネットワーク(SNN)は、内部イベント駆動型ニューラルネットワークを通じて時系列データを処理する。
本稿では,入力依存停止時に発生する決定に対して,信頼性を保証する新しい遅延適応型SNNベースの推論手法を提案する。
論文 参考訳（メタデータ） (2023-05-18T22:11:04Z) - A Hybrid ANN-SNN Architecture for Low-Power and Low-Latency Visual Perception [27.144985031646932]
Spiking Neural Networks(SNN)は、バイオインスパイアされたニューラルネットワークの一種で、エッジデバイスに低消費電力で低レイテンシな推論をもたらすことを約束する。
イベントベース2Dおよび3Dヒューマンポーズ推定の課題について,本手法では,ANNに比べて性能を4%低下させることなく,88%の消費電力を消費することを示した。
論文 参考訳（メタデータ） (2023-03-24T17:38:45Z) - Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。
PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。
広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
論文 参考訳（メタデータ） (2023-01-31T16:43:53Z) - A temporally and spatially local spike-based backpropagation algorithm
to enable training in hardware [0.0]
Spiking Neural Networks (SNN)は、分類タスクのためのハードウェア効率の良いアーキテクチャとして登場した。
非スパイキング人工ニューラルネットワーク(ANN)で使用される強力なバックプロパゲーション(BP)技術を採用する試みはいくつかある。
論文 参考訳（メタデータ） (2022-07-20T08:57:53Z) - SNN2ANN: A Fast and Memory-Efficient Training Framework for Spiking
Neural Networks [117.56823277328803]
スパイクニューラルネットワークは、低消費電力環境における効率的な計算モデルである。
本稿では,SNNを高速かつメモリ効率で学習するためのSNN-to-ANN(SNN2ANN)フレームワークを提案する。
実験結果から,SNN2ANNをベースとしたモデルがベンチマークデータセットで良好に動作することが示された。
論文 参考訳（メタデータ） (2022-06-19T16:52:56Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z)
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。