日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
自動運転/プランニングarXiv:2610.08123

ウェイポイント回帰を超えて：到達可能な自己未来に対するクエリベースコスト学習によるエンドツーエンド運転

Beyond Waypoint Regression: Query-Based Cost Learning over Reachable Ego Futures for End-to-End Driving

シェア:XThreadsFacebookLINEはてブBluesky

ウェイポイント回帰ではなく、動的に到達可能な自己軌道クエリに対してコストを学習し、衝突率を改善するエンドツーエンド運転プランナを提案。

詳しい要約

1. どんなもの？

- 提案手法は、waypoint regression に代わる query-based cost-learning フレームワーク。 - 動的に到達可能な ego trajectory queries に対して bounded costs を推定する。 - 密な BEV cells や少数の回帰軌道集合ではなく、クエリベースでコストを学習。 - コンパクトな joint scene tokens でマルチモーダルなエージェント未来を捉える。 - contingency-aware cost aggregation と cost-guided intra-cluster MPPI mixing により、学習したコストトポロジーを実行可能な ego 計画に変換。 - nuScenes と実世界運転ログで評価。

2. 先行研究と比べてどこがすごい？

- 従来の waypoint regression ベースの end-to-end プランナは open-loop 精度は高いが、専門家の幾何を模倣するだけで、展開時の安全制約に適応しにくい。 - 先行の cost-estimation プランナ（ST-P3, NMP）よりも nuScenes で改善。 - ほとんどの regression ベースラインに対して衝突率で優位、L2 では競争力あり。 - 実世界ログで SparseDrive や Alpamayo と比較して衝突率を低減（fine-tuning なし）。 - 解釈可能なコストインターフェースを保持。

3. 技術・手法の肝は？

- 動的に到達可能な ego trajectory queries を生成し、それぞれに bounded cost を推定。 - コンパクトな joint scene tokens でコヒーレントなマルチモーダルエージェント未来を表現。 - contingency-aware cost aggregation により、不確実性を考慮したコスト集約。 - cost-guided intra-cluster MPPI mixing で、学習したコストトポロジーを実行可能な ego 計画に変換。 - 密な BEV cells や少数の回帰軌道集合ではなく、クエリベースのコスト学習を採用。

4. どうやって有効だと検証した？

- nuScenes データセットで評価。 - 先行の cost-estimation プランナ（ST-P3, NMP）と比較して改善。 - ほとんどの regression ベースラインに対して衝突率で優位、L2 では競争力あり。 - 実世界の運転ログで SparseDrive と Alpamayo に対して衝突率を低減（fine-tuning なし）。 - 多様な候補軌道を維持することを確認。

5. 議論はある？

- 提案手法は解釈可能なコストインターフェースを保持し、展開時の安全制約への適応が容易。 - 実世界ログで fine-tuning なしに衝突率を低減できることを示す。 - ただし、具体的な議論（限界、失敗例、計算コストなど）は要旨からは不明。

6. 次に読むべき論文は？

- ST-P3 - NMP - SparseDrive - Alpamayo - 関連する cost-estimation プランナや waypoint regression ベースライン

※ 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: Ahmed Abouelazm, Rupert Polley, Qingyuan Zhang, Yin Wu, Philip Schörner, Carl Esselborn, J. Marius Zöllner

分類: cs.RO, cs.AI, cs.LG, eess.SY

原文アブストラクト

End-to-end planners based on waypoint regression achieve strong open-loop accuracy, but they primarily learn to mimic expert geometry and remain difficult to adapt to deployment-time safety constraints. We propose a query-based cost-learning framework that estimates bounded costs for dynamically reachable ego trajectory queries, rather than dense BEV cells or a small regressed trajectory set. Compact joint scene tokens capture coherent multimodal agent futures, while contingency-aware cost aggregation and cost-guided intra-cluster MPPI mixing convert the learned cost topology into feasible ego plans. On nuScenes, our method improves over prior cost-estimation planners such as ST-P3 and NMP, outperforms most regression baselines in collision rate, while remaining competitive in L2, and retaining an interpretable cost interface. On real-world driving logs, the proposed planner reduces collision rates compared with SparseDrive and Alpamayo without fine-tuning, while maintaining a diverse set of candidate trajectories.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI