自動運転2026/8/16arXiv:2608.15573

すべての履歴が役立つわけではない：長期的なエンドツーエンド自動運転のための速度認識型選択的メモリ

Not All History Helps: Velocity-Aware Selective Memory for Long-Horizon End-to-End Autonomous Driving

自動運転の長期計画において、過去の自己予測状態が古くなったり現在の運動段階と矛盾したりする問題を解決するため、選択的メモリと運動段階学習を導入したStableDriveを提案し、衝突率やL2誤差を大幅に改善した。

詳しい要約

1. どんなもの？

StableDriveは、長期的なend-to-end自動運転の計画を信頼性高く行うための手法。自己生成された履歴計画状態が現在の運動段階と矛盾して古くなる問題に対処し、将来の運動進化を考慮した前方視的な計画を実現する。

2. 先行研究と比べてどこがすごい？

既存手法は履歴計画状態を時間的文脈として用いるが、自己生成履歴が古くなったり現在の運動段階と衝突して信頼性の低い事前情報となる。StableDriveは、選択的記憶機構と運動段階学習により、この問題を明示的に解決し、nuScenesやNAVSIMでSOTAを達成。

3. 技術・手法の肝は？

Selective Momentum Memory (SMM)をMamba selective state-space operatorで実装し、前サイクルの自己予測計画状態の影響を制御。Motion-Stage Training Scaffold (MSTS)は運動段階、長期的軌道、縦方向運動の監視で段階認識の未来運動学習を導き、推論時には除去。固定パラメータの中点で単一の展開可能なSMMプランナーを得る。

4. どうやって有効だと検証した？

nuScenesのMomAD評価プロトコルで、1〜6秒の全計画指標でSOTAを達成。平均衝突率23.3%、TPC 30.9%、L2 11.8%削減。LT-nuScenesでは6秒衝突率23.81%、TPC 10.90%、L2 6.37%削減。NAVSIM v1/v2で全設定で最高PDMS/EPDMSを達成。

5. 議論はある？

要旨からは、提案手法の限界や潜在的な欠点についての議論は不明。ただし、MSTSが推論時に除去される点や、固定パラメータ中点の選択が一般化に与える影響などが考えられるが、要旨には記載がない。

6. 次に読むべき論文は？

要旨で参照されているMomAD評価プロトコルやNAVSIMベンチマークに関連する研究、またMamba selective state-space operatorを用いた他の応用研究が考えられる。具体的には、MomADの元論文やNAVSIMの提案論文が挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yuchen Liu, Ziying Song, Shengkai Zhang, Jiannan Chen, Peiliang Wu, Lei Yang, Bin Sun, Yan Gong, Li Wang

分類: cs.RO

原文アブストラクト

Reliable long-horizon planning remains a key challenge in end-to-end autonomous driving. By accounting for future motion evolution and potential consequences, it provides forward-looking guidance for safe and consistent driving in evolving traffic environments. Existing methods use historical planning states as temporal context. Self-generated history may become stale or conflict with the current motion stage, introducing unreliable priors. We propose StableDrive to address cross-cycle historical reliability and within-horizon motion-stage evolution. Selective Momentum Memory (SMM), implemented with a Mamba selective state-space operator, controls the influence of the preceding self-predicted planning state on the current cycle. Motion-Stage Training Scaffold (MSTS) uses motion-stage, long-horizon trajectory, and longitudinal-motion supervision to guide stage-aware future motion learning and is removed before inference. A fixed parameter midpoint between two architecture-aligned endpoints yields a single deployable SMM planner without model ensembling or extra inference-time computation. On nuScenes under the MomAD evaluation protocol, StableDrive achieves SOTA performance across all reported planning metrics from 1 to 6 s, reducing average collision rate by 23.3%, TPC by 30.9%, and L2 by 11.8% over the best previously reported value for each metric. On the curated Longitudinal-Transition nuScenes (LT-nuScenes), StableDrive reduces 6-s collision rate by 23.81%, TPC by 10.90%, and L2 by 6.37%. On NAVSIM v1 and v2, StableDrive achieves the highest PDMS/EPDMS in all three reported settings, including a 5.7-point EPDMS gain on v2 navhard over the previous best.

arXivで原文を読む →arXiv概要ページ