自動運転プランニング2026/9/25arXiv:2609.31137

INTERACT: アンカー条件付き予測と信頼領域精緻化による自動運転の対話型プランニング

INTERACT: Interactive Planning for Autonomous Driving via Anchor-Conditioned Prediction and Trust-Region Refinement

周囲の車が自車の意図に反応する性質を利用し、地図から導いた複数の運転意図(アンカー)ごとに予測モデルを呼び出して信頼領域付きで軌道を最適化する対話型プランニング手法を提案。

詳しい要約

1. どんなもの？

- 自動運転のための対話型プランニング手法 INTERACT を提案する論文。 - 密集した都市交通では merge や unprotected turn の成否が周囲エージェントの ego への反応に依存する点に着目。 - 予測と計画を intent 単位で分解し、anchor 条件付き予測と trust-region 下の refinement を組み合わせる。 - nuPlan と interPlan の closed-loop benchmark で state of the art を達成。

2. 先行研究と比べてどこがすごい？

- 従来の predict-first-plan-second 型は ego への反応依存を扱えない。 - 予測と計画を joint training する手法は task interference を生む。 - 分離したまま統合する手法は predefined な proposal 集合に制限される。 - INTERACT は予測を独立モデルのまま保ちつつ、anchor 条件付けで依存関係を保持し、連続 refinement により anchor 集合に縛られない。

3. 技術・手法の肝は？

- 周囲エージェントは軌道の厳密な実現ではなく intent に反応するという洞察を利用。 - 地図幾何から多様な intent を anchor として導出。 - anchor ごとに ego-conditioned prediction model を一度だけ query。 - 各 anchor を Cross-Entropy Method で refinement。 - trust-region penalty により refined plan を anchor 近傍に保ち、条件付き反応の妥当性を維持。 - anchor ごとに1回の予測 query で済み、全 anchor を並列処理。

4. どうやって有効だと検証した？

- nuPlan と interPlan の closed-loop benchmark で評価。 - 新たな state of the art を達成。 - 特に本手法の動機となる interactive scenario で最大の改善を示す。

5. 議論はある？

- 要旨からは不明。 - 限界や失敗事例、計算コストの詳細な議論は要旨に記載なし。

6. 次に読むべき論文は？

- nuPlan - interPlan - Cross-Entropy Method - ego-conditioned prediction model - joint prediction and planning 手法 - anchor-based planning 手法

※ 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: Aron Distelzweig, Andreas Look, Faris Janjoš, Steffen Hagedorn, Luigi Palmieri, Joschka Boedecker

分類: cs.RO

原文アブストラクト

Driving in dense urban traffic is interactive: whether a merge or an unprotected turn succeeds depends on how surrounding agents respond to the ego vehicle. Conventional planners predict first and plan second and, therefore, cannot account for this dependency. Methods that integrate prediction and planning either train both jointly, which introduces task interference, or keep them separate and are restricted to a predefined set of proposals. We present INTERACT: Interactive Planning for Autonomous Driving via Anchor-Conditioned Prediction and Trust-Region Refinement. Our key insight is that surrounding agents react to the intent a trajectory expresses rather than to its exact realization, so a single reactive prediction stays valid across an entire family of plans. INTERACT therefore decomposes interactive planning into prediction across driving intents and optimization within each intent. We derive a small set of diverse intents, which we call anchors, from map geometry, query a dedicated ego-conditioned prediction model once per anchor, and refine every anchor with the Cross-Entropy Method under a trust-region penalty that keeps the refined plan close enough to its anchor for the conditioned reaction to still apply. Prediction thus remains a separate model, avoiding task interference, while conditioning on anchors preserves the dependency. Because each anchor is refined continuously, the final plan is not restricted to the anchor set, yet INTERACT requires only one predictor query per anchor rather than one per candidate plan, with all anchors processed in parallel. On the nuPlan and interPlan closed-loop benchmarks, INTERACT sets a new state of the art, with the largest gains precisely in the interactive scenarios that motivate the method. The code will be released upon acceptance.

arXivで原文を読む →arXiv概要ページ

INTERACT: アンカー条件付き予測と信頼領域精緻化による自動運転の対話型プランニング

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文