論文の概要: From Likelihood to Utility: Quality-Axis Diffusion for End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2610.23885v1
• Date: Sat, 26 Sep 2026 15:03:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:55:37.518879
• Title: From Likelihood to Utility: Quality-Axis Diffusion for End-to-End Autonomous Driving
• Title（参考訳）: 運転から実用へ:エンドツーエンド自動運転における品質軸拡散
• Abstract要約: そこで本研究では,実測値に基づいて観測軌道をランク付けすることで,シーン特質のはしごを構築するQuariDriveを提案する。 NAVSIMでは、QuariDriveはv1で94.5、v2で最先端の92.74を達成した。 以上の結果から,拡散は単に妄想の過程ではなく,段階的な品質秩序化の過程の1つであることが示唆された。
• 参考スコア（独自算出の注目度）: 13.695672970949284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models have become a dominant paradigm for end-to-end autonomous driving, yet existing planners organize trajectory generation along the Gaussian-noise axis, treating driving utility only as an auxiliary guidance or selection signal. We instead formulate diffusion along a driving-quality axis. We propose QualiDrive, which constructs scene-specific quality ladders by ranking observed trajectories according to measured driving utility and learns to reverse this ordered degradation through ordered low-to-high-quality refinement. Each reverse step is conditioned on the scene, ego state, current trajectory, and target quality level, progressively refining trajectories toward higher driving quality. On NAVSIM, QualiDrive achieves 94.5 PDMS on v1 and a state-of-the-art 92.74 EPDMS on v2. QualiDrive improves Oracle EPDMS only modestly over endpoint-only quality supervision (98.52 to 98.57), but substantially increases the fractions of candidates above 0.95 and 0.98 EPDMS from 12.94%/9.71% to 21.53%/15.93%, raising selected EPDMS from 92.63 to 92.74. These results suggest that diffusion is not merely a process of denoising, but one of progressive quality-ordered refinement.
• Abstract（参考訳）: 拡散モデルはエンド・ツー・エンドの自動運転において支配的なパラダイムとなっているが、既存のプランナーはガウス・ノイズ軸に沿って軌道生成を組織し、運転ユーティリティを補助誘導や選択信号としてのみ扱う。 代わりに、運転品質軸に沿って拡散を定式化する。 そこで本研究では,実測走行能力に応じて観測軌道をランク付けすることで,シーン固有の高品質なはしごを構築するQuariDriveを提案し,低品質な高精細化を施して,この順序の劣化を逆転させることを学習する。 各逆ステップは、シーン、エゴ状態、電流軌跡、目標品質レベルに条件付けされ、より高い運転品質に向けた軌道を段階的に精製する。 NAVSIMでは、QuariDriveはv1では94.5 PDMS、v2では92.74 EPDMSを達成する。 QualiDriveはOracle EPDMSを、エンドポイントのみの品質管理(98.52から98.57まで)を控えめに改善するが、候補者の比率を0.95と0.98のEPDMSを12.94%/9.71%から21.53%/15.93%に大幅に増加させ、選択されたEPDMSを92.63から92.74に引き上げた。 これらの結果から,拡散は単なる妄想の過程ではなく,段階的な品質秩序化の過程の1つであることが示唆された。

関連論文リスト

• Adaptive-WAM: Quality-Guided Early-Exit Planning from Intermediate Video-Diffusion Features [4.996631858286914]
  計画性能はテストされたビデオノイズレベルにはほとんど反応しないが、強い軌道は中間層からすでに復号化されている。 Wan2.2-5Bバックボーン上に構築された品質対応マルチエグジットプランナであるAdaptive-WAMを紹介する。
  論文  参考訳（メタデータ） (2026-08-06T13:13:07Z)
• 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)
• DiffusionDriveV2: Reinforcement Learning-Constrained Truncated Diffusion Modeling in End-to-End Autonomous Driving [65.7087560656003]
  エンドツーエンドの自動運転のための生成拡散モデルは、しばしばモード崩壊に悩まされる。 強化学習を利用して低品質モードを制約し,優れた軌道探索を行うDiffusionDriveV2を提案する。 これにより、そのコアであるガウス混合モデル固有の多重モード性を維持しながら、全体的な出力品質が大幅に向上する。
  論文  参考訳（メタデータ） (2025-12-08T17:29:52Z)
• Mimir: Hierarchical Goal-Driven Diffusion with Uncertainty Propagation for End-to-End Autonomous Driving [17.533465904228844]
  そこで我々は,不確実性推定を伴うゴールポイントに依存するロバストな軌跡を生成可能な,新しい階層型デュアルシステムフレームワークであるMimirを提案する。 Mimirは従来の最先端の手法を20%改善し、ハイレベルなモジュール推論速度の1.6倍の改善を実現している。
  論文  参考訳（メタデータ） (2025-12-08T03:31:25Z)
• DriveSuprim: Towards Precise Trajectory Selection for End-to-End Planning [43.284391163049236]
  DriveSuprimは、自動運転車の軌道選択のための選択に基づくパラダイムである。 衝突回避や規則の遵守など、最先端のパフォーマンスを実現する。 様々な運転シナリオにおいて高い軌道品質を維持する。
  論文  参考訳（メタデータ） (2025-06-07T04:39:06Z)
• ComDrive: Comfort-Oriented End-to-End Autonomous Driving [29.635377468912534]
  ComDriveは、快適なエンドツーエンドの自動運転システムである。 時間的に一貫性があり、快適な軌道を生成する。 ComDriveは、快適さと安全性の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-07T14:06:16Z)
• 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)
• Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
  拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。 最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。 提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
  論文  参考訳（メタデータ） (2024-08-01T17:59:59Z)

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。