論文の概要: Expand-and-Prune: Test-Time Candidate-Space Adaptation for End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2610.23262v1
• Date: Fri, 16 Oct 2026 10:34:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.875821
• Title: Expand-and-Prune: Test-Time Candidate-Space Adaptation for End-to-End Autonomous Driving
• Title（参考訳）: 拡張とプルーン:エンドツーエンド自動運転のためのテスト時間候補空間適応
• Abstract要約: テストタイムフレームワークであるExpand-and-Pruneを導入し、学習したパラメータを更新することなく、候補のサポートとキャパシティを適応する。 4つの異種候補ベースプランナと4つのベンチマークで計画性能を継続的に改善する。 選択された軌道の72.5%は、新しく導入された意図誘導または時間的候補に由来する。
• 参考スコア（独自算出の注目度）: 15.4994260281059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Candidate-based end-to-end driving planners reason over a finite set of trajectory hypotheses. However, for sparse planners, a limited candidate set may provide insufficient support for scene-relevant maneuvers, while fixed downstream candidate budgets do not account for prediction uncertainty. To address these challenges, we introduce Expand-and-Prune, a test-time framework that jointly adapts candidate support and capacity without updating learned parameters. The framework expands the native candidate set using semantic driving intent and temporally propagated predictions and then uses uncertainty in intermediate trajectory scores to adaptively prune the resulting candidates. Across four heterogeneous candidate-based planners and four benchmarks, Expand-and-Prune consistently improves planning performance. It achieves state-of-the-art results on LangAuto, increasing the Driving Score from 68.2 to 75.9, while providing further improvement on Bench2Drive, Fail2Drive, and NAVSIMv2, with particularly strong improvements in out-of-distribution scenarios. Moreover, in its full instantiation, 72.5% of selected trajectories originate from the newly introduced intent-guided or temporal candidates, confirming that candidate-space expansion provides useful hypotheses beyond those generated natively by the planner. The code is available at https://github.com/iis-esslingen/Expand-and-Prune.
• Abstract（参考訳）: 候補に基づくエンド・ツー・エンドの駆動プランナーは、有限な軌道仮説の集合を推論する。 しかし、スパースプランナーの場合、限られた候補セットはシーン関連操作の不十分なサポートを提供するが、下流の候補予算は予測の不確実性を考慮していない。 これらの課題に対処するために、私たちはExpand-and-Pruneという、学習したパラメータを更新することなく、候補のサポートとキャパシティを共同で適応するテストタイムフレームワークを紹介します。 このフレームワークは、意味的駆動意図と時間的伝播予測を用いてネイティブ候補集合を拡張し、中間軌道スコアの不確実性を用いて、結果の候補を適応的に訓練する。 4つの異種候補ベースのプランナーと4つのベンチマークで、Expand-and-Pruneは計画性能を一貫して改善している。 ラングオートの最先端の結果を達成し、ドライビングスコアを68.2から75.9に増やし、ベンチ2ドライブ、フェイル2ドライブ、NAVSIMv2をさらに改善した。 さらに、その完全なインスタンス化において、選択された軌道の72.5%は、新しく導入された意図誘導または時間的候補に由来するものであり、候補空間の拡張がプランナーによってネイティブに生成されたものを超えて有用な仮説を提供することを確認している。 コードはhttps://github.com/iis-esslingen/Expand-and-Prune.comで公開されている。

関連論文リスト

• World4Scorer: Outcome-Grounded World Modeling for Autonomous Driving [20.722649798469224]
  軌道条件付きJEPA型予測器としてスコアラーを構築するWorld4Scorerを紹介する。 World4Scorerは、最先端のNAVSIM-v2性能を実現し、クローズループのBench2Drive上での強力な適応システムを実現している。
  論文  参考訳（メタデータ） (2026-09-29T00:55:12Z)
• RoG-DAgger: Rollout-Guided Post-Training for End-to-End Driving [2.654965784359464]
  RoG-DAggerは、短期間のロールアウトを使用して、安全クリティカルな州で専門家によるデモンストレーションを構築する、ポストトレーニングフレームワークである。 エンド・ツー・エンドモデルのSimLingoを5.3のドライブスコアポイントと6.2%の成功率で改善する。 また、Longest6 v2では22から44に、Fail2Driveでは55%から66%に改善されている。
  論文  参考訳（メタデータ） (2026-08-25T13:11:44Z)
• Learning Not to Optimize: Physics-Informed Action-Space Reshaping for Intent-Based Network Control [50.46501177871741]
  LNOQRD は小物候補を75.9% で削減し、90.8% でニアオラクルのカバレッジを維持している。 実験の結果、LNOQRDは実用性と意図の満足度が最も高く、かつ、法律違反が最低で、世代後レイテンシが低いことがわかった。
  論文  参考訳（メタデータ） (2026-08-02T00:27:01Z)
• Test-Time Trajectory Optimization for Autonomous Driving [77.87162309994567]
  自動運転のためのエンド・ツー・エンドのプランナーは、通常、一連の候補軌跡を生成し、それぞれをスコアし、最高スコアの候補を返す。 我々は、スコアラを学習軌跡レベルの報酬関数として扱い、それを最大化する軌跡を探索する。 提案手法であるTOAD(Cross-Entropy Method:クロスエントロピー法)をテスト時に実行し,プランナーの提案からウォームスタートする。
  論文  参考訳（メタデータ） (2026-06-05T11:39:27Z)
• CLOVER: Closed-Loop Value Estimation and Ranking for End-to-End Autonomous Driving Planning [11.2767413780552]
  CLOVERはエンドツーエンドの自動運転計画のためのフレームワークである。 ジェネレータは多様な候補軌道を生成し、スコアは計画値のサブスコアを予測する。 ジェネレータは教師が選択したトップ$とベクターParetoターゲットに洗練される。
  論文  参考訳（メタデータ） (2026-05-14T17:32:18Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Uncertainty-Penalized Direct Preference Optimization [52.387088396044206]
  我々は、優先不確実性ペナル化スキームを導入し、DPOの悲観的な枠組みを開発する。 ペナル化は、不確実なサンプルの損失勾配を減衰させる損失の補正として機能する。 我々は,バニラDPOと比較して全体的な性能が向上し,高い不確実性選択/拒絶反応によるプロンプトの完成度も向上した。
  論文  参考訳（メタデータ） (2024-10-26T14:24:37Z)
• From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
  将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。 我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。 また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
  論文  参考訳（メタデータ） (2020-12-02T21:01:29Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。