論文の概要: ConDenseDrive: Knowledge-Dense, Token-Sparse Visual Encoder for End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2610.16908v1
• Date: Mon, 12 Oct 2026 14:56:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 04:15:42.987974
• Title: ConDenseDrive: Knowledge-Dense, Token-Sparse Visual Encoder for End-to-End Autonomous Driving
• Title（参考訳）: ConDenseDrive: エンド・ツー・エンドの自動運転のためのナレッジ・デンス、Token-Sparseビジュアルエンコーダ
• Abstract要約: ConDenseDriveは、エンド・ツー・エンドの自動運転のためのナレッジ・センスとトークン・スパース・ビジュアル・エンコーダである。 NAVSIM v1では94.5 PDMS、NAVSIM v2では90.8S、HUGSIMでは37.4 HD-Scoreに達する。
• 参考スコア（独自算出の注目度）: 52.31941286809349
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end driving requires rich spatiotemporal representations to support scene understanding and trajectory planning under strict latency constraints. However, most systems initialize their visual encoders from generic image pretraining and densely process all patch tokens for each camera view and input frame, limiting both representation quality and inference efficiency. To address these challenges, we present ConDenseDrive, a knowledge-dense and token-sparse visual encoder for end-to-end autonomous driving. Our three-stage framework first makes the encoder knowledge-dense by distilling complementary visual, semantic, and geometric knowledge from three vision foundation models. It then adapts the distilled encoder to multi-frame end-to-end driving and integrates spatiotemporal context into register tokens for planning. Finally, it makes the encoder token-sparse by applying register-guided token compression, reducing redundant patch computation and yielding a 2.0$\times$ speedup while improving planning performance. ConDenseDrive achieves 94.5 PDMS on NAVSIM v1 and 90.8 EPDMS on NAVSIM v2, and reaches 37.4 HD-Score in zero-shot evaluation on HUGSIM. Extensive experiments and qualitative analyses demonstrate that visual encoder design provides an effective route to reliable and efficient end-to-end driving.
• Abstract（参考訳）: 終端運転は、厳しいレイテンシ制約の下でシーン理解と軌道計画をサポートするために、豊富な時空間表現を必要とする。 しかし、ほとんどのシステムは、一般的な画像から視覚エンコーダを初期化し、各カメラビューと入力フレームの全てのパッチトークンを密に処理し、表現品質と推論効率の両方を制限している。 これらの課題に対処するために、私たちは、エンド・ツー・エンドの自動運転のためのナレッジ・センスとトークン・スパース・ビジュアル・エンコーダであるConDenseDriveを紹介します。 我々の3段階のフレームワークは、まず3つの視覚基盤モデルから相補的な視覚的、意味的、幾何学的知識を蒸留することにより、エンコーダの知識を深化させる。 その後、蒸留エンコーダを多フレームエンドツーエンドの駆動に適用し、時空間コンテキストを計画のためのレジスタトークンに統合する。 最後に、レジスタ誘導トークン圧縮を適用し、冗長なパッチ計算を減らし、計画性能を改善しながら2.0$\times$スピードアップを得られることで、エンコーダトークンスパースを実現する。 ConDenseDrive は NAVSIM v1 の 94.5 PDMS と NAVSIM v2 の 90.8 PDMS を達成し、HUGSIM のゼロショット評価で 37.4 HD-Score に達する。 広汎な実験と定性的分析により、視覚エンコーダの設計は、信頼性と効率的なエンドツーエンド運転への効果的な経路を提供することを示した。

関連論文リスト

• PACE: A Unified Condense-and-Extract Paradigm for Fast VLM Inference [15.233755808671871]
  既存の視覚トークンプルーニング法には2つの基本的な制限がある。 ほとんどのアプローチは、ビジョン後エンコーダのみを動作させ、視覚符号化フェーズのかなりの遅延は、最適化されないままである。 視覚エンコーダと大規模言語モデルの両方を高速化するフレームワークである PACE を提案する。
  論文  参考訳（メタデータ） (2026-08-27T14:52:09Z)
• Driving on Registers [95.27138642798472]
  DrivoRは、エンドツーエンドの自動運転のためのシンプルで効率的なトランスフォーマーベースのアーキテクチャである。 提案手法は、事前訓練された視覚変換器(ViT)上に構築され、マルチカメラ機能をコンパクトなシーン表現に圧縮するカメラ対応レジスタトークンを導入している。 この結果から,純変圧器アーキテクチャと目標トークン圧縮を組み合わせることで,高精度で適応的なエンド・ツー・エンド・ドライブを実現するのに十分であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-08T16:28:24Z)
• Towards Efficient and Effective Multi-Camera Encoding for End-to-End Driving [54.85072592658933]
  本稿では,自動運転における高ボリュームマルチカメラデータ処理の計算ボトルネックに対処する,効率的かつ効率的なシーンエンコーダFlexを提案する。 設計上,我々のアプローチは幾何学的非依存であり,明快な3次元帰納バイアスに頼ることなく,データから直接コンパクトなシーン表現を学習する。 我々の研究は、データ駆動型共同符号化戦略が将来の自動運転システムにおいて、よりスケーラブルで効率的かつ効果的な経路を提供することを示すために、3Dプリエントが不可欠であるという一般的な仮定に挑戦する。
  論文  参考訳（メタデータ） (2025-12-11T18:59:46Z)
• Think Twice before Driving: Towards Scalable Decoders for End-to-End Autonomous Driving [74.28510044056706]
  既存のメソッドは通常、分離されたエンコーダ-デコーダパラダイムを採用する。 本研究は,この問題を2つの原則で緩和することを目的としている。 まず、エンコーダの特徴に基づいて、粗い将来の位置と行動を予測する。 そして、その位置と動作を条件に、将来のシーンを想像して、それに従って運転した場合にその影響を確認する。
  論文  参考訳（メタデータ） (2023-05-10T15:22:02Z)
• MAPLE: Masked Pseudo-Labeling autoEncoder for Semi-supervised Point Cloud Action Recognition [160.49403075559158]
  本稿では,Pseudo-Labeling autoEncoder (textbfMAPLE) フレームワークを提案する。 特に、MAPLEのバックボーンとして、新規で効率的なtextbfDecoupled textbfspatial-textbftemporal TranstextbfFormer(textbfDestFormer)を設計する。 MAPLEは3つの公開ベンチマークにおいて優れた結果を得て、MSR-Action3の精度を8.08%向上させる。
  論文  参考訳（メタデータ） (2022-09-01T12:32:40Z)

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。