論文の概要: DriftingPlanner: Drifting Generative Models for One-Step Trajectory Planning in End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2611.01283v1
• Date: Sat, 31 Oct 2026 21:34:22 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:31:04.558728
• Title: DriftingPlanner: Drifting Generative Models for One-Step Trajectory Planning in End-to-End Autonomous Driving
• Title（参考訳）: DriftingPlanner: エンドツーエンド自動運転における1ステップ軌道計画のためのドリフト生成モデル
• Abstract要約: ワンステップジェネレータは、生成されたストルースサンプルとグラウンドトルースサンプルの間のアトラクション-反発場に従うことを学習する。 ドリフトプラーナーは、ドリフト損失だけで訓練された軌道プランナーであり、座標回帰項は含まない。
• 参考スコア（独自算出の注目度）: 23.597947003277792
• License:
• Abstract: End-to-end planners decode the ego trajectory either by coordinate regression, which is fast but blends plausible maneuvers into one trajectory that may follow none of them, or by diffusion and flow matching, which model the trajectory distribution but need several inference steps. Drifting models move this iteration into training: a one-step generator learns to follow an attraction--repulsion field between generated and ground-truth samples. Drifting was developed for class-conditional image generation, where every class supplies many positive samples. In planning, every scene is its own condition. Pooling scenes would attract the generated trajectories of one scene to the ground truth of unrelated scenes, whereas computing the field per scene leaves a single positive, the expert trajectory. Mutual repulsion then holds the generated trajectories on a shell around it, so any single generated trajectory deviates from the ground truth. We present DriftingPlanner, a trajectory planner trained with the drifting loss alone, without any coordinate regression term. It computes the field per scene and removes the shell at inference: it decodes every noise vector together with its negation in one batched pass, and averaging each antithetic pair cancels the linear part of the displacement from the shell center. On NAVSIM navtest, DriftingPlanner reaches a state-of-the-art 93.75 PDMS, and with single-step inference its drifting decoder comes within 0.13 PDMS of the best diffusion or flow matching setting, which needs ten inference steps.
• Abstract（参考訳）: エンド・ツー・エンドのプランナーは、座標回帰(英語版)によってエゴ軌道をデコードするが、これは高速であるが、プラウジブルな操作を1つの軌道にブレンドする。 ドリフトモデルは、このイテレーションをトレーニングへと移行する。1ステップのジェネレータは、生成されたデータと地上の真実のサンプルの間の、アトラクション-反発場に従うことを学習する。 ドリフトはクラス条件の画像生成のために開発され、全てのクラスが多くの正のサンプルを供給した。 計画においては、すべての場面が独自の条件である。 ポーリングシーンは、あるシーンの生成された軌跡を無関係なシーンの地上の真実に惹きつけるが、一方、シーンごとのフィールドの計算は、専門家の軌跡である1つの陽性を残している。 相互反発は生成した軌道を周囲の殻に保持するので、生成した軌道は基底の真理から逸脱する。 ドリフトプラーナーは、ドリフト損失だけで訓練された軌道プランナーであり、座標回帰項は含まない。 シーン毎のフィールドを計算し、推論時にシェルを除去し、全てのノイズベクトルを1つのバッチパスで否定と共にデコードし、各アンチセティックペアを平均化することで、シェル中心からの変位の線形部分をキャンセルする。 NAVSIMのナビテストでは、DriftingPlannerは最先端の93.75 PDMSに達し、ドリフトデコーダは0.13 PDMS以内である。

関連論文リスト

• TerraTransfer++: Demonstration-Free End-to-End Planner [21.33643567755425]
  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。
  論文  参考訳（メタデータ） (2026-10-21T18:31:28Z)
• 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)
• DriftXpress: Faster Drifting Models via Projected RKHS Fields [7.80855192041271]
  DriftXpressは、RKHS場に基づくドリフトモデルの加速定式化である。 原ドリフトフィールドのアトラクション・反発構造を保ちながら, フィールド評価のコストを低減させる。 画像生成ベンチマーク全体では、DriftXpressは標準的なドリフトに匹敵するFIDを実現し、ウォールクロックのトレーニングコストを削減している。
  論文  参考訳（メタデータ） (2026-05-12T14:26:31Z)
• Receding-Horizon Control via Drifting Models [46.44328012099217]
  ドリフトMPCは、ドリフト生成モデルと未知の力学の下での後退水平計画を組み合わせた。 ドリフトMPCはドリフトモデルの一段階推論効率を維持しつつ, ほぼ最適軌道を生成可能であることを示す。
  論文  参考訳（メタデータ） (2026-04-06T08:48:10Z)
• Amortizing Trajectory Diffusion with Keyed Drift Fields [2.5352713493505785]
  キード・ドリフト・ポリシーズ (Keyed Drifting Policies) は、ドリフトフィールドの目標で訓練された1ステップの軌道生成装置である。 生成されたトラジェクトリを条件マッチングされたデータセットウィンドウに反映する。 1ステップの推論で高い性能を達成し、拡散サンプリングよりも計画遅延を大幅に低減する。
  論文  参考訳（メタデータ） (2026-03-14T17:56:15Z)
• Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
  拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。 Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。 Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、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） (2026-03-12T14:36:53Z)
• BAgger: Backwards Aggregation for Mitigating Drift in Autoregressive Video Diffusion Models [50.986189632485285]
  モデル自身のロールアウトから補正軌道を構築する自己教師型スキームであるバックワードアグリゲーション(BAgger)を導入する。 数段階の蒸留と分配整合損失に依存する従来のアプローチとは異なり、BAggerは標準的なスコアやフローマッチングの目的を持つ列車である。 因果拡散変換器でBAggerをインスタンス化し、テキスト・ツー・ビデオ、ビデオ・エクステンション、マルチプロンプト・ジェネレーションで評価する。
  論文  参考訳（メタデータ） (2025-12-12T23:02:02Z)
• Trace and Pace: Controllable Pedestrian Animation via Guided Trajectory Diffusion [83.88829943619656]
  本研究では,現実的な歩行者軌跡生成手法と,ユーザ定義目標を達成するために制御可能なフルボディアニメーションを提案する。 我々のガイド付き拡散モデルでは,対象とする経路,速度,特定社会集団による軌道の制約が可能である。 本稿では,アニメーションコントローラのRLトレーニング中に学習した値関数を用いて,拡散を誘導し,特定のシナリオに適した軌道を生成することを提案する。
  論文  参考訳（メタデータ） (2023-04-04T15:46:42Z)
• Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be Consistent [97.64313409741614]
  本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。 CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
  論文  参考訳（メタデータ） (2023-02-17T18:45:04Z)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)

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。