Fugu-MT 論文翻訳(概要): ManeuverFlow: Maneuver Hypothesis Generation with Future Evidence for Trajectory Evaluation and Refinement in End-to-End Autonomous Driving

論文の概要: ManeuverFlow: Maneuver Hypothesis Generation with Future Evidence for Trajectory Evaluation and Refinement in End-to-End Autonomous Driving

arxiv url: http://arxiv.org/abs/2610.13409v1
Date: Fri, 09 Oct 2026 11:20:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-13 04:06:29.550162
Title: ManeuverFlow: Maneuver Hypothesis Generation with Future Evidence for Trajectory Evaluation and Refinement in End-to-End Autonomous Driving
Title（参考訳）: ManeuverFlow: エンド・ツー・エンド自律運転における軌跡評価とリファインメントのための将来的証拠を考慮したマニューバー仮説生成
Abstract要約: そこで我々はManeuverFlowを提案する。モデルは、関連する操作モードを選択し、ガウス混合から対応するノイズを引き出し、それを意図的な軌跡にマッピングする。世界モデルによって予測される現在の特徴と将来の特徴は、各候補経路に沿って集約され、PDM因子予測の軌跡特異的な証拠となる。
参考スコア（独自算出の注目度）: 16.956930988495845
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: End-to-end planning in complex scenes must model diverse driving intentions and select the most appropriate trajectory using scene context and future risks. However, multi-query regression may collapse to one mode, while anchor-based and generative planners share a scaling bottleneck: small candidate sets limit maneuver coverage or discovery of high-quality trajectories, whereas large sets increase generation and scoring costs. We propose ManeuverFlow to generate trajectories for distinct intentions in one step and evaluate and refine them using current and future evidence. The model selects relevant maneuver modes, draws corresponding noise from the Gaussian mixture prior, and maps it to intention-specific trajectories through a maneuver-routed mixture-of-experts MeanFlow field. Current features and future features predicted by the world model are aggregated along each candidate path into trajectory-specific evidence for PDM-factor prediction. Using the same evidence, the refiner predicts local Frenet residuals for selected candidates; refined and retained candidates are then jointly re-scored for selection. With a lightweight TransFuser-style ResNet-34 backbone, ManeuverFlow achieves 90.6 PDMS and 90.1 EPDMS on NAVSIM v1/v2 navtest, respectively. On WorldEngine's recent 3DGS closed-loop benchmark, it attains the highest listed PDMS$^\ast$ scores of 75.19 and 74.58 under logged and IDM-controlled traffic, respectively. Code: https://github.com/wyh-autonomy/maneuverflow.
Abstract（参考訳）: 複雑なシーンにおけるエンド・ツー・エンドのプランニングは、多様な運転意図をモデル化し、シーンコンテキストと将来のリスクを使って最も適切な軌道を選択する必要がある。しかし、マルチクエリレグレッションは1つのモードに崩壊し、アンカーベースおよび生成プランナーはスケーリングボトルネックを共有している。そこで我々はManeuverFlowを提案し,現在および将来の証拠を用いて,異なる意図の軌跡を1段階で生成し,それらを評価・精査する。モデルでは、関連する操作モードを選択し、ガウス混合から対応するノイズを抽出し、操作制御された試験用混合メアンフローフィールドを介して意図的な軌跡にマッピングする。世界モデルにより予測される現在の特徴と将来の特徴は、各候補経路に沿って集約され、PDM因子予測の軌跡特異的な証拠となる。同じ証拠を用いて、精製器は選択された候補に対する局所的なフレネット残差を予測し、精製および保持された候補は選択のために共同で再描画される。軽量なTransFuserスタイルのResNet-34バックボーンにより、ManeuverFlow は NAVSIM v1/v2 navtest 上で 90.6 PDMS と 90.1 PDMS を達成する。 WorldEngineの最近の3DGSクローズドループベンチマークでは、PDMS$^\ast$スコアが75.19と74.58で記録された。コード:https://github.com/wyh-autonomy/maneuverflow。

関連論文リスト

Where Will They Go? Modelling Multimodal Pedestrian Manoeuvres from Ego-centric Videos [27.591588122564648]
本稿では,将来の軌道分布を意味論的に意味のあるモードにモデル化するモード認識フレームワークMMPMを提案する。 MMPMは2つのモジュールからなる: 行動認識歩行者相互作用モジュール(PIM)とCVAEベースのモード認識軌道予測器(MTP)。 PIEおよびJAADデータセットの実験により、我々の手法が最先端のベースラインを超えることが示された。
論文参考訳（メタデータ） (2026-06-17T08:55:01Z)
Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
論文参考訳（メタデータ） (2026-03-11T12:41:46Z)
OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
OFMPNet: Deep End-to-End Model for Occupancy and Flow Prediction in Urban Environment [0.0]
環境中の全ての動的オブジェクトの将来の挙動を予測するために,エンド・ツー・エンドのニューラルネットワーク手法を提案する。本稿では, 終点誤差の大幅な低減を図った新しい時間重み付きモーションフロー損失を提案する。
論文参考訳（メタデータ） (2024-04-02T19:37:58Z)
MGF: Mixed Gaussian Flow for Diverse Trajectory Prediction [72.70572835589158]
本稿では,軌道予測のための正規化フローモデルに対して,混合ガウス前駆体を構築することを提案する。提案手法は,一般的な UCY/ETH および SDD データセットにおける軌道アライメントと多様性の評価において,最先端の性能を実現する。
論文参考訳（メタデータ） (2024-02-19T15:48:55Z)
Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文参考訳（メタデータ） (2023-09-18T19:49:22Z)
Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文参考訳（メタデータ） (2022-06-29T22:19:03Z)
Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文参考訳（メタデータ） (2022-03-25T16:59:08Z)
Diverse Sampling for Normalizing Flow Based Trajectory Forecasting [34.01303881881315]
本研究では,事前学習フローモデルからトラジェクトリサンプルの品質と多様性を向上させるため,DSF(Diversity Smpling for Flow)を提案する。 DSFは実装が容易であり、既存のフローベースの予測モデルに対して、シンプルなプラグインの改善を提供する。
論文参考訳（メタデータ） (2020-11-30T18:23:29Z)
Trajectory Forecasts in Unknown Environments Conditioned on Grid-Based Plans [6.8024015458909615]
軌跡予測はシーン構造の大きな変化と将来の軌跡のマルチモーダル分布のために難しい問題である。最大エントロピー逆強化学習(MaxEnt IRL)を用いて学習したグリッドベースの政策から得られた計画の軌道予測条件を提案する。我々は,MaxEntポリシからサンプリングした状態列に条件付き連続的な値付き将来の軌道を生成する,注目に基づく軌道生成器を提案する。
論文参考訳（メタデータ） (2020-01-03T06:12:26Z)

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。