論文の概要: Beyond Planning: Differentiable Control-in-the-loop End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2610.18167v1
• Date: Tue, 13 Oct 2026 11:12:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:02:13.620755
• Title: Beyond Planning: Differentiable Control-in-the-loop End-to-End Autonomous Driving
• Title（参考訳）: 計画を超えて: ループ内制御の微分可能なエンド・ツー・エンド自動運転
• Abstract要約: 本稿では、このギャップを埋めるために、DIVA(Differentiable Identified Vehicle dynamics for end-to-end autonomous driving)を提案する。 エンド・ツー・エンド駆動ネットワークのトレーニングループには、特定アクチュエータレベルの車両モデルが組み込まれている。 学習ベースの制御デコーダは、外部コントローラを置換し、ロールアウトされた車両状態を監督する。
• 参考スコア（独自算出の注目度）: 44.47195923996123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end autonomous driving has achieved remarkable progress by planning trajectories directly from raw sensor data. Yet the step from planning to control still relies on hand-tuned tracking controllers that block the gradient path from vehicle motion back to the network. This gap stems from non-differentiable vehicle dynamics, aliased supervision from coarsely sampled expert labels, rate mismatch between high-rate control and low-rate re-planning, and vehicle model discrepancies between training and deployment. This paper proposes DIVA (Differentiable Identified Vehicle dynamics for end-to-end Autonomous driving) to close this gap. An identified actuator-level vehicle model is embedded in the training loop of the end-to-end driving network, forming a differentiable chain from perception to vehicle states. A learning-based control decoder replaces the external controller and is supervised on the rolled-out vehicle states, bypassing the aliased control-input labels. A rate-consistent control-input parameterization reconciles the heterogeneous sampling rates and enables asynchronous execution with a 3.8 ms control-only cycle. On-policy re-identification and an online disturbance observer address training-time distribution shift and deployment-time model mismatch respectively. On the closed-loop Bench2Drive benchmark, DIVA achieves a driving score of 86.7, surpassing the widely adopted state-of-the-art approach by 3.3 points while nearly halving mean jerk and reducing brake switching by 64%, and maintains superior path tracking accuracy under significant vehicle model mismatch at deployment.
• Abstract（参考訳）: エンドツーエンドの自動運転は、生のセンサーデータから直接軌道を計画することで、目覚ましい進歩を遂げた。 しかし、計画から制御へのステップはまだ、車両の動きからネットワークへの勾配経路をブロックする手動のトラッキングコントローラに依存している。 このギャップは、未分化の車両力学、粗いサンプルの専門ラベルからの監視、ハイレート制御とローレート再計画の間のレートミスマッチ、トレーニングとデプロイメントの間の車両モデルの違いなどに起因する。 本稿では、このギャップを埋めるために、DIVA(Differentiable Identified Vehicle dynamics for end-to-end autonomous driving)を提案する。 特定アクチュエータレベルの車両モデルは、エンドツーエンドの運転ネットワークのトレーニングループに埋め込まれ、知覚から車両状態への識別可能な連鎖を形成する。 学習ベースの制御デコーダは、外部コントローラを置換し、ロールアウトされた車両状態を監督し、エイリアス化された制御入力ラベルをバイパスする。 レート一貫性のある制御入出力パラメータ化は、異種サンプリングレートを調整し、3.8msの制御のみのサイクルで非同期実行を可能にする。 On-policy re-identification and an online disturbance observer address training-time Distribution shift and deployment-time model mismatch。 クローズドループのBench2Driveベンチマークでは、DIVAは86.7の駆動スコアを達成し、広く採用されている最先端のアプローチを3.3ポイント上回った。

関連論文リスト

• Stabilizing Trajectory Outputs in End-to-End Autonomous Driving via SC-IMM Based Teacher Signals [2.9220076568786335]
  Scene-Conditioned Interacting Multiple Model (SC-IMM) に基づく軌道出力安定化のためのオフライン教師信号生成と学習手法を提案する。 提案手法は,専門家の軌跡をパス速度状態に変換し,シーンキューに条件付きIMM更新を行い,パス速度の教師ラベルとモード後部確率を生成する。 CARLA Town12における100短経路のクローズループ評価において,提案手法はベースラインと比較して運転スコアを28.0%改善し,コリジョン/kmを62.3%削減した。
  論文  参考訳（メタデータ） (2026-09-18T07:17:46Z)
• Driving Context-guided Model Predictive Planning and Control for Autonomous Car Racing at the Limit and Beyond [2.1824191810542666]
  本稿では,自動走行のためのモデル予測制御に基づくモーションプランニングと制御パイプラインを提案する。 完全自動運転のオープンホイールレースカー「Superformula EAV-25」で、ラップタイムは人間の運転基準の2%以内である。
  論文  参考訳（メタデータ） (2026-09-11T10:06:11Z)
• CLEAR: Cognition and Latent Evaluation for Adaptive Routing in End-to-End Autonomous Driving [19.474428775260034]
  超高速な生成計画と深い意味的推論を組み合わせたフレームワークであるCLEARを提案する。 CLEARはDrive-JEPAをビジュアルエンコーダとして採用し、VAEラテント空間におけるマルチステップデノイングチェーンを単一ステップ条件ドリフトに置き換える。 NAVSIM v1ベンチマークでは、CLEARは93.7の最先端のPDMSを達成した。
  論文  参考訳（メタデータ） (2026-06-04T14:32:10Z)
• Benchmarking Empirical and Learning-Based Approaches for Feedforward Steering Control in Autonomous Racing [2.183305325115666]
  フィードフォワードステアリング制御は、自律走行のための階層型制御アーキテクチャの重要な構成要素である。 本稿では,2つの学習ベースと2つの経験的フィードフォワードコントローラのベンチマークを示す。 実世界Abu Dhabi Autonomous Racing Leagueコンペティションに基づく高忠実度シミュレーションフレームワークでフィードフォワードコントローラをテストする。
  論文  参考訳（メタデータ） (2026-05-20T12:44:36Z)
• Driver-WM: A Driver-Centric Traffic-Conditioned Latent World Model for In-Cabin Dynamics Rollout [55.19244743715421]
  Driver-WMは、ドライバー中心の潜在世界モデルで、アウトキャビンのトラフィックコンテキストを考慮に入れたインキャビンのダイナミクスをロールアウトする。 身体のキネマティクス予測を補助的な行動的・感情的意味認識と統合する。 ドライバ-WMは、反応性の高いハイモーション操作のための堅牢な長距離幾何学的予測を与える。
  論文  参考訳（メタデータ） (2026-05-06T16:30:48Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
  本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。 センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。 我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:01Z)
• A Tricycle Model to Accurately Control an Autonomous Racecar with Locked Differential [71.53284767149685]
  自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。 本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
  論文  参考訳（メタデータ） (2023-12-22T16:29:55Z)
• Partial End-to-end Reinforcement Learning for Robustness Against Modelling Error in Autonomous Racing [0.0]
  本稿では、自動運転車における強化学習(RL)ソリューションの性能向上の問題に対処する。 計画タスクと制御タスクを分離する部分的なエンドツーエンドアルゴリズムを提案する。 従来の制御器のロバスト性を活用することにより,本アルゴリズムは標準のエンドツーエンドアルゴリズムよりもモデルミスマッチに対するロバスト性を向上する。
  論文  参考訳（メタデータ） (2023-12-11T14:27:10Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)

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。