論文の概要: TerraTransfer++: Demonstration-Free End-to-End Planner

• arxiv url: http://arxiv.org/abs/2610.30319v1
• Date: Wed, 21 Oct 2026 18:31:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.104949
• Title: TerraTransfer++: Demonstration-Free End-to-End Planner
• Title（参考訳）: TerraTransfer++: デモのないエンドツーエンドプランナ
• Abstract要約: エンドツーエンドの自動運転は、ベンチマークや実世界のデプロイで最先端のパフォーマンスを達成した。 しかし、模倣学習には車両の走行記録が必要で、その行動分布は安全クリティカルな尾部をわずかに覆っているだけである。 我々は、セルフプレイによる単一のポリシーを事前訓練し、フローマッチング・トラジェクトリーの教師にロールアウトを蒸留し、計画を立て、凍結した視覚バックボーンに軽量アダプターを訓練する。 この1人の教師から2人のエンド・ツー・エンドの学生を得る: 出版された模倣に基づくエンド・ツー・エンドの手法よりも優れたクローズドループ・ポリシー。
• 参考スコア（独自算出の注目度）: 21.33643567755425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end autonomous driving has achieved state-of-the-art performance on benchmarks and real-world deployments. Its standard training recipe, however, is expensive across all existing paradigms: imitation learning requires fleet-scale driving logs whose behavior distribution only thinly covers the safety-critical tail; closed-loop reinforcement learning in a photorealistic simulator, while offering diverse behaviors, is bottlenecked by sample-efficiency, per-step cost of rendering, and a forward pass through a large vision backbone. Self-play in vectorized simulators changes the economics: at millions of rollout steps per second, one can obtain a state distribution with natural diversity in collisions, near-misses, and recoveries that no driving log contains, and a highly reactive policy emerges from a basic driving-quality reward. Our approach exploits this asymmetry. We pretrain a single policy by self-play, distill its rollouts into a flow-matching trajectory teacher that also plans, and train lightweight adapters on a frozen pretrained vision backbone to reproduce the latent space of either teacher through the action KL divergence, a batch-relational low-rank structural loss, and, for the planner, a trajectory-matching loss. Every target traces back to the self-play policy, so alignment never supervises against a logged trajectory: a paired dataset of (image, scene-state) frames suffices, with no need for the curated expert demonstrations that imitation pretraining is built on. From this one self-play teacher we obtain two end-to-end students: a closed-loop policy that outperforms every published imitation-based end-to-end method on the photorealistic 3D Gaussian splatting closed-loop benchmark HUGSim, and a planner that reaches 59.4 EPDMS on NAVSIM navhard, above every published method including DriveZero-Scale (57.1), and 95.5 PDMS on navtest, without human demonstrations.
• Abstract（参考訳）: エンドツーエンドの自動運転は、ベンチマークや実世界のデプロイで最先端のパフォーマンスを達成した。 しかし、その標準的なトレーニングレシピは、既存のすべてのパラダイムで高価である:模倣学習には、安全クリティカルな尾部のみを薄くカバーしたフリートスケールの運転ログ、フォトリアリスティックシミュレータにおけるクローズドループ強化学習は、多様な振る舞いを提供する一方で、サンプル効率、レンダリング毎のコスト、大きな視覚バックボーンを通過する前方通過によってボトルネックを受ける。 ベクトル化されたシミュレーターの自己プレイは経済性を変える: 毎秒数百万のロールアウトステップにおいて、衝突、ほぼミス、リカバリにおいて、運転ログが含まないような自然な多様性を持つ状態分布を得ることができ、非常に反応性の高いポリシーは、基本的な運転品質の報酬から生まれる。 我々のアプローチはこの非対称性を利用する。 我々は,自己プレイによる単一方針の事前学習,フローマッチング・トラジェクトリ・教師へのロールアウトの試行,凍結事前学習された視覚バックボーン上の軽量アダプタの訓練,各教師の潜伏空間の再現,バッチ・リレーショナルな低ランク構造損失,およびプランナーにとって,軌道整合損失について検討する。 すべてのターゲットはセルフプレイポリシーに遡るので、アライメントはログ化された軌跡に対して監視されることはない。 フォトリアリスティックな3DガウシアンスプラッティングクローズドループベンチマークHUGSimにおいて、すべてのパブリッシュされた模倣に基づくエンドツーエンドメソッドを上回るクローズドループポリシーと、NAVSIM Navhard上で59.4 EPDMSに達するプランナーと、DriveZero-Scale (57.1), 95.5 PDMSをヒトのデモなしでナヴテストで上回るプランナーである。

関連論文リスト

• DiPLO: Self-distilled Diffusion Planning for Loco-manipulation [74.87006435472303]
  DiPLOは、自己蒸留拡散プランナーと低レベルの全身追跡ポリシーを組み合わせたフレームワークである。 我々のプランナーは人-人-人-の運動の教師あり学習によって事前訓練される。 結果のプランナーは、未確認の目標に対する動きも生成し、キックとプッシュ/プルタスクに関するさらなる評価を行う。
  論文  参考訳（メタデータ） (2026-10-17T19:51:59Z)
• RoXDrive: Closed-Loop Reinforcement Learning for End-to-End Autonomous Driving via Action-Faithful Rollouts [98.41251854883184]
  強化学習(RL)ポストトレーニングは、現在のアプローチに代わる有望な代替手段を提供する。 ビデオワールドモデルは、現実的な多段階の将来のロールアウトを生成する能力を示したが、アクション条件を忠実に反映しないかもしれない。 本稿では,信頼性の高いポリシ最適化を実現するプラグイン・アンド・プレイクローズドループRLフレームワークであるRoXDriveを紹介する。
  論文  参考訳（メタデータ） (2026-09-29T06:59:50Z)
• TerraTransfer: Learning End-to-End Driving Policies Without Expert Demonstrations [21.33643567755425]
  我々は、自己プレイによる単一のポリシーを事前訓練し、その潜在空間を予め訓練された視覚バックボーンと整列させ、アクションKLの発散とバッチ関係の低ランク構造損失を通した。 フォトリアリスティックな3Dガウススプラッティング・クローズドループのシナリオでは、結果として得られるエンドツーエンドのポリシーは、以前のエンドツーエンドの手法と一致するか、あるいは超える。
  論文  参考訳（メタデータ） (2026-06-16T00:45:01Z)
• Perfect Demo Makes Poor Teacher: Learning Robust Alignment from Critical Motion Segments [53.85970147743299]
  専門家によるデモンストレーションは、ロボット模倣学習における金の標準であると広く考えられている。 しかし、挿入、積み重ね、アライメントなどのきめ細かい操作のために、私たちは直感的な失敗モードを発見しました。 視覚言語モデルとアクションエキスパートをブリッジする,コンパクトな動的特徴であるSTAIRを導入する。
  論文  参考訳（メタデータ） (2026-06-14T04:15:29Z)
• MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
  視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。 本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。 MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
  論文  参考訳（メタデータ） (2026-05-13T23:35:14Z)

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。