論文の概要: YOUDrive: Driving Style as a Composable Direction for End-to-End Autonomous Driving
- arxiv url: http://arxiv.org/abs/2610.14802v1
- Date: Sat, 10 Oct 2026 10:52:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.106075
- Title: YOUDrive: Driving Style as a Composable Direction for End-to-End Autonomous Driving
- Title（参考訳）: YOUDrive:エンド・ツー・エンドの自動運転のための構成可能な方向としての運転スタイル
- Abstract要約: YOUDriveは、連続的で構成可能な運転スタイル制御のためのヴィジュアル・ランゲージ・アクション・プランナーである。
各教師の行動はタスクベクトルに蒸留され、プランナーの表現のスタイル方向を誘導する学習パラメータが更新される。
フローマッチングデコーダは、マルチモーダルな軌道分布をモデル化し、運動論的に実現可能な運動代替物を生成する。
- 参考スコア（独自算出の注目度）: 39.70831430708924
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: End-to-end driving policies can achieve strong task performance while offering limited control over their driving style. Driving style describes how a vehicle accelerates, brakes, and maintains distance. Policies trained without explicit preference conditioning lack a direct mechanism for adjusting these behaviors at inference. We propose YOUDrive, a vision--language--action planner for continuous and composable driving-style control. Each teacher's behavior is distilled into a task vector, a learned parameter update that induces a style direction in the planner's representation. These directions can be scaled and combined at inference without retraining the backbone. Conditioned on these directions, a flow-matching decoder models a multimodal trajectory distribution and generates kinematically feasible motion alternatives. We introduce the Style Alignment Score (SAS) to describe human-referenced kinematic behavior after safety and task gating. On NAVSIM navtest, a single coefficient monotonically controls assertiveness across six teacher-derived personas, while PDMS remains above 0.90 across the tested individual and blended configurations, reaching 0.954. Further analyses reveal systematic policy-specific kinematics after controlling for scene context, whereas the evaluated discrete style labels provide limited additional explanatory power. Code, checkpoints, and the metric will be released.
- Abstract（参考訳）: エンドツーエンドの運転ポリシーは、運転スタイルを限定的に制御しながら、強い作業性能を達成することができる。
運転スタイルは、車両の加速、ブレーキ、距離維持の仕方を記述している。
明示的な嗜好条件なしで訓練されたポリシーは、推論時にこれらの行動を調整する直接的なメカニズムを欠いている。
本稿では、連続的かつ構成可能な運転スタイル制御のための視覚-言語-アクションプランナーであるYOUDriveを提案する。
各教師の行動はタスクベクトルに蒸留され、プランナーの表現のスタイル方向を誘導する学習パラメータが更新される。
これらの方向は、バックボーンを再トレーニングすることなく、推論時に拡大および結合することができる。
これらの方向を条件に、フローマッチングデコーダはマルチモーダルな軌道分布をモデル化し、動力学的に実現可能な運動代替物を生成する。
安全およびタスクゲーティング後の人為的な運動行動を記述するためのスタイルアライメントスコア(SAS)を導入する。
NAVSIMのナビテストでは、1つの係数が6人の教師由来のペルソナに対して単調にアサーションを制御し、PDMSはテストされた個人とブレンドされた構成に対して0.90以上であり、0.954に達する。
さらに、シーンコンテキストを制御した後の体系的なポリシー固有のキネマティクスを明らかにする一方、評価された離散的なスタイルラベルは限定的な説明力を提供する。
コード、チェックポイント、メトリックがリリースされる。
関連論文リスト
- Latent-Centroid Steering: Single-Pass Classifier-Free Guidance for Command-Aligned Autonomous Driving [37.533498955258544]
本稿では,インスタンスレベルの残差をクラスレベルの遅延シフトに置き換える単一パス誘導機構を提案する。
我々はLCSがより強力なコマンドアテンデンスを実現しつつ、推論遅延を約50%削減できることを実証した。
論文 参考訳（メタデータ） (2026-07-31T19:32:28Z) - STAGE: STyle-controllable Action GEneration for personalized autonomous driving [15.187069954986343]
運転スタイルは、運転中に運転者が保持する行動的嗜好を指す。
本研究では,タスク駆動のためのスタイル制御可能なアクション生成手法STAGEを開発した。
本稿では,STAGEのユニークな機能として,スタイル制御性,スタイル継続性,運転スタイルアライメント機能,運転安全性について述べる。
論文 参考訳（メタデータ） (2026-07-31T15:17:50Z) - DriveJudge: Rethinking Autonomous Driving Evaluation with Vision-Language Models [53.73898294218455]
DriveJudgeは、ルール付き評価とVision-Language Model (VLM)推論を組み合わせた運転評価エージェントである。
運転品質分類と軌道選択という2つのベンチマークタスクを導入する。
DriveJudgeは、21.23 AUCによる運転品質分類と、最近のVLMベースのDriveCriticによる軌道優先選択では6.5%の成績を示した。
論文 参考訳（メタデータ） (2026-06-15T23:39:36Z) - When is Your LLM Steerable? [56.656180566692946]
アクティベーションステアリングは、推論時に言語モデルの振る舞いを制御するための軽量なアプローチを提供する。
ステアリングを成功させる体制と境界を見つけるには、通常、高価なグリッドサーチが必要である。
生成プロセスの開始時にモデルの内部状態からステアビリティを予測できるかどうかを検討する。
論文 参考訳（メタデータ） (2026-06-10T02:55:34Z) - Drive My Way: Preference Alignment of Vision-Language-Action Model for Personalized Driving [18.914134572789703]
Drive My Way(DMW)は、ユーザの長期的な運転習慣に合わせて、リアルタイムなユーザ指示に適応するパーソナライズされた運転フレームワークである。
DMWは、複数の現実のドライバーから収集したパーソナライズされた運転データセットからユーザ埋め込みを学び、計画中にこの埋め込みに関するポリシーを条件にします。
私たちのデータとコードはhttps://dmw-cvpr.io/.com/で公開されています。
論文 参考訳（メタデータ） (2026-03-26T17:59:54Z) - Can Users Specify Driving Speed? Bench2Drive-Speed: Benchmark and Baselines for Desired-Speed Conditioned Autonomous Driving [50.09883181221131]
我々は、所望の高速自動運転のためのメトリクス、データセット、ベースラインを備えたベンチマークであるBench2Drive-Speedを紹介する。
本稿では,ユーザの希望する目標速度とオーバーテイク/フォロー指示の明示的な入力をポリシーモデルに導入する。
実験の結果,正規運転データに基づいてトレーニングされたモデルが,専門家による実演と相容れない性能を示した。
論文 参考訳（メタデータ） (2026-03-26T17:26:41Z) - Situation Awareness for Driver-Centric Driving Style Adaptation [3.568617847600189]
本稿では,車両データに基づいて事前学習した視覚特徴エンコーダに基づく状況認識型運転スタイルモデルを提案する。
実験の結果,提案手法は静的な運転スタイルを著しく上回り,高い状況クラスタを形成していることがわかった。
論文 参考訳（メタデータ） (2024-03-28T17:19:16Z) - Exploring Contextual Representation and Multi-Modality for End-to-End
Autonomous Driving [58.879758550901364]
最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。
我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。
提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
論文 参考訳（メタデータ） (2022-10-13T05:56:20Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳（メタデータ） (2022-04-28T07:37:21Z) - Learning to drive from a world on rails [78.28647825246472]
モデルベースアプローチによって,事前記録された運転ログからインタラクティブな視覚ベースの運転方針を学習する。
世界の前方モデルは、あらゆる潜在的な運転経路の結果を予測する運転政策を監督する。
提案手法は,carla リーダボードにまずランク付けし,40 倍少ないデータを用いて25%高い運転スコアを得た。
論文 参考訳（メタデータ） (2021-05-03T05:55:30Z)
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。