論文の概要: Mechanistic Interpretability for End-to-End Self-Driving

• arxiv url: http://arxiv.org/abs/2610.41185v1
• Date: Fri, 30 Oct 2026 03:05:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.602733
• Title: Mechanistic Interpretability for End-to-End Self-Driving
• Title（参考訳）: エンド・ツー・エンド自動運転における機械的解釈可能性
• Abstract要約: エンド・ツー・エンド(E2E)の自律走行モデルは、強い計画性能を達成するが、ほとんど不透明であり、観測可能性と信頼性を制限している。 本研究では,Sparse Autoencoders (SAE) を訓練し,E2E運転に機械論的解釈可能性を適用する。 制御不能なSAE潜伏剤のクラスタリングにより、経路意図、車両速度、ブレーキ動作に整合した解釈可能な構造が明らかとなり、ルート意図を98.3%の精度で回復する。
• 参考スコア（独自算出の注目度）: 0.5580046878510824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: End-to-end (E2E) autonomous driving models achieve strong planning performance but remain largely opaque, limiting observability and trust. We apply mechanistic interpretability to E2E driving by training Sparse Autoencoders (SAEs) on the internal activations of a simple, single-camera end-to-end path planning model. Unsupervised clustering of SAE latents reveals interpretable structure aligned with route intent, vehicle speed, and braking behavior, recovering route intent with 98.3% accuracy without supervision. Through paired counterfactual image edits, we further show that specific SAE features are visually grounded and systematically respond to scene changes such as traffic light state and stop sign presence. Steering individual SAE latents produces predictable, monotonic changes in planner outputs including lateral displacement, curvature, and braking. Finally, we demonstrate a practical application of these representations: we build a lightweight adapter trained on SAE latents that reduces trajectory selection error by 3.44%, outperforming an equivalent adapter that omits SAE latents, confirming that the sparse representation captures useful information for interpretability. Code and visualizations are available at https://mgagvani.github.io/mechanistic-interpretability-for-e2e-driving/
• Abstract（参考訳）: エンド・ツー・エンド(E2E)の自律走行モデルは、強い計画性能を達成するが、ほとんど不透明であり、観測可能性と信頼性を制限している。 本研究では,Sparse Autoencoders (SAE) を訓練し,E2E運転に機械論的解釈可能性を適用する。 制御不能なSAE潜伏剤のクラスタリングにより、経路意図、車両速度、ブレーキ動作に整合した解釈可能な構造が明らかとなり、ルート意図を98.3%の精度で回復する。 対の対物画像編集により、特定のSAE特徴が視覚的に接地され、交通信号の状態や停止標識の存在などのシーン変化に体系的に応答することを示す。 個々のSAE潜水剤のステアリングは、横方向の変位、曲率、ブレーキを含むプランナー出力の予測可能で単調な変化をもたらす。 最後に、これらの表現の実用的応用を実証する: 軌道選択誤差を3.44%削減するSAEラテントを訓練した軽量なアダプタを構築し、SAEラテントを省略する等価なアダプタを性能良くし、スパース表現が解釈可能性のための有用な情報を取得することを確認する。 コードと視覚化はhttps://mgagvani.github.io/mechanistic-prepretability-for-e2e-driving/で公開されている。

関連論文リスト

• Predictive audio representations for early detection and tracking of hidden dynamic objects [1.7289819674602296]
  密集した交通機関は、検出システムがあまりにも遅く見える可能性があるため、検知システムに挑戦する。 従来の研究では、一方向の聴覚知覚が視野に拘束されず、異なる道路利用者の早期発見のための基本的な手がかりとなることが証明された。 本研究では,車両数,種類,到着方向を同時に推定するマルチタスクシステムを提案する。
  論文  参考訳（メタデータ） (2026-09-11T23:05:23Z)
• 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)
• Fully Unified Motion Planning for End-to-End Autonomous Driving [14.45403574889677]
  現在のエンドツーエンドの自動運転方法は、単一のエゴ車から収集された専門家の計画データからのみ学習する。 あらゆる運転シナリオにおいて、他の車両からの複数の高品質な軌道は、特定のエゴ車両の軌道と共存する。 本稿では,新しい2段階軌道生成フレームワークFUMPを提案する。
  論文  参考訳（メタデータ） (2025-04-17T05:52:35Z)
• Steering CLIP's vision transformer with sparse autoencoders [20.63298721008492]
  私たちは、CLIPの視覚変換器でスパースオートエンコーダ(SAE)を訓練し、視覚と言語処理の主な違いを明らかにする。 10～15%のニューロンと特徴がステアリング可能であり、SAEはベースモデルよりも数千のステアリング可能な特徴を提供する。
  論文  参考訳（メタデータ） (2025-04-11T17:56:09Z)
• DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
  DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。 タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。 シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-07T11:41:18Z)
• 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)
• Enhancing End-to-End Autonomous Driving with Latent World Model [78.22157677787239]
  本稿では,LAW(Latent World Model)を用いたエンドツーエンド運転のための自己教師型学習手法を提案する。 LAWは、現在の特徴とエゴ軌道に基づいて将来のシーン機能を予測する。 この自己監督タスクは、知覚のない、知覚に基づくフレームワークにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2024-06-12T17:59:21Z)
• Pioneering SE(2)-Equivariant Trajectory Planning for Automated Driving [45.18582668677648]
  制御されたエゴ車両の軌道を計画することは、自動走行において重要な課題である。 本稿では,全車両に対して多モード共同予測を生成する軽量同変計画モデルを提案する。 また,車載GPSナビゲーションシステムによって提供される高水準経路に沿って,エゴ車両を誘導する等変経路アトラクションを提案する。
  論文  参考訳（メタデータ） (2024-03-17T18:53:46Z)

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。