論文の概要: Closed-Loop Aware Planning via Imitation-Free Speed Scoring for End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2610.36079v1
• Date: Mon, 26 Oct 2026 18:05:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.396808
• Title: Closed-Loop Aware Planning via Imitation-Free Speed Scoring for End-to-End Autonomous Driving
• Title（参考訳）: エンド・ツー・エンド自動運転のためのイミテーションフリー・スピード・スコーリングによる閉ループアウェア計画
• Abstract要約: 提案手法では,提案手法を模擬的手法で学習し,予測速度のセットを採点する計画パラダイムを導入する。 Bench2Drive-Speedでは、CLAP-ADが82.53のSpeed-Adherence Scoreの新たな状態を設定し、TFv6を抜いた。 実際の運転データに基づいて構築されたUniADとVAD v2上での運転スコアを+28.5と+32.7に改善する。
• 参考スコア（独自算出の注目度）: 7.572012242101306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end autonomous driving has predominantly relied on open-loop imitation learning for training, which presents two limitations. First, expert demonstrations show only one behavior per scenario, so the model cannot learn alternative valid behaviors and, in turn, cannot adapt to user-specified preferences at test time. Second, noise or ambiguity in these demonstrations can produce inconsistent, unreliable supervision for the end-to-end models. Driving is inherently multi-modal: multiple different behaviors can be valid responses to the same scene, and this diversity arises largely from speed rather than path. We introduce a planning paradigm that learns the path through imitation while scoring a set of candidate speeds across multiple criteria with a learned function supervised by physically grounded safety constraints. We realize this paradigm as Closed-Loop Aware Planning for Autonomous Driving (CLAP-AD), a plug-in planning head that integrates with existing end-to-end driving models and, to our knowledge, is the first to enable explicit test-time control over their speed selection without speed-conditioned training. On Bench2Drive-Speed, CLAP-AD sets a new state of the art Speed-Adherence Score of 82.53, topping TFv6, the strongest baseline on this metric, by 12.9 points while retaining strong closed-loop driving performance. On Bench2Drive, it improves driving score by +28.5 and +32.7 over UniAD and VAD, and on NAVSIM v2, built on real-world driving data, EPDMS by +6.1 over its backbone. Project page: https://clap-ad.github.io
• Abstract（参考訳）: エンドツーエンドの自動運転は、トレーニングのためのオープンループの模倣学習に大きく依存しており、2つの制限がある。 まず、専門家によるデモンストレーションではシナリオ毎に1つの振る舞いしか示さないため、モデルは代替の有効な振る舞いを学べず、テスト時にユーザが指定した好みに適応できない。 第2に、これらのデモにおけるノイズや曖昧さは、エンドツーエンドモデルの一貫性のない、信頼性の低い監視をもたらす可能性がある。 運転は本質的にマルチモーダルであり、複数の異なる行動が同じシーンに対して有効な応答となり得る。 提案手法では,複数の基準にまたがる一連の候補速度を,物理的に接地された安全制約によって制御された学習関数を用いて評価しながら,模倣を通して経路を学習する計画パラダイムを導入する。 我々はこのパラダイムを,既存のエンドツーエンド駆動モデルと統合したプラグイン計画ヘッドであるClosed-Loop Aware Planning for Autonomous Driving (CLAP-AD)として実現し,私たちの知る限り,スピードコンディショニングトレーニングを必要とせずに,速度選択の明示的なテストタイム制御を可能にする最初の方法である。 Bench2Drive-Speedでは、CLAP-ADが82.53の最先端のSpeed-Adherence Scoreをセットし、この指標で最強のベースラインであるTFv6を12.9ポイント上回った。 Bench2Driveでは、UniADとVADで+28.5と+32.7、実世界の運転データで構築されたNAVSIM v2では+6.1で運転スコアが向上した。 プロジェクトページ: https://clap-ad.github.io

関連論文リスト

• DriveZero: End-to-End Driving Beyond Human Demonstrations [31.611995679727713]
  DriveZeroは、人間のデモを超えた運転行動を学ぶエンドツーエンドシステムだ。 知覚モデルとアクションモデルへの運転を分解し、それに最も適した体制の中でそれぞれを事前訓練し、それらを1つのエンドツーエンドプランナーに結合する。 動作面では、混合エージェントクローズドループ強化学習フレームワークであるDriveRLを紹介する。
  論文  参考訳（メタデータ） (2026-09-05T12:20:38Z)
• Can Users Specify Driving Speed? Bench2Drive-Speed: Benchmark and Baselines for Desired-Speed Conditioned Autonomous Driving [50.09883181221131]
  我々は、所望の高速自動運転のためのメトリクス、データセット、ベースラインを備えたベンチマークであるBench2Drive-Speedを紹介する。 本稿では,ユーザの希望する目標速度とオーバーテイク/フォロー指示の明示的な入力をポリシーモデルに導入する。 実験の結果,正規運転データに基づいてトレーニングされたモデルが,専門家による実演と相容れない性能を示した。
  論文  参考訳（メタデータ） (2026-03-26T17:26:41Z)
• LEAD: Minimizing Learner-Expert Asymmetry in End-to-End Driving [29.34610793694948]
  本研究では,有能な専門家による実演とセンサを用いた学生観察の誤調整が,模倣学習の有効性を抑えるかを検討した。 TransFuser v6 (TFv6) の学生ポリシーは、すべての主要なCARLAクローズドループベンチマークにおいて、新しい技術状態を達成する。
  論文  参考訳（メタデータ） (2025-12-23T18:07:43Z)
• MindDrive: A Vision-Language-Action Model for Autonomous Driving via Online Reinforcement Learning [51.20229133553804]
  自律運転における現在のビジョン・ランゲージ・アクション(VLA)パラダイムは主に模倣学習(IL)に依存している オンライン強化学習は、トライアル・アンド・エラー学習を通じてこれらの問題に対処するための有望な経路を提供する。 大規模言語モデル(LLM)と2つの異なるLoRAパラメータからなるVLAフレームワークであるMindDriveを提案する。 軌道レベルの報酬を推論空間に戻すことで、MindDriveは、限定的な言語駆動決定の有限セットに対する試行錯誤学習を可能にする。
  論文  参考訳（メタデータ） (2025-12-15T18:31:32Z)
• Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
  本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。 我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-06T09:12:30Z)
• Combating the effects of speed and delays in end-to-end self-driving [0.8287206589886881]
  専門家の運転のデータセットがどのように収集され、モデルが専門家が異なる状況で何をするかを推測することを学ぶ。 高速運転を訓練したモデルでは、遅い運転と逆運転という一見簡単な作業が実行できないことを実験的に示す。 ここで議論されているアイデアのいくつかは、より広範な自動運転のコンテキストに移行可能である可能性がある。
  論文  参考訳（メタデータ） (2023-12-06T10:09:10Z)

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。