自動運転/End-to-End計画2026/10/9arXiv:2610.13409

ManeuverFlow：将来証拠を用いた操縦仮説生成による軌道評価と洗練

ManeuverFlow: Maneuver Hypothesis Generation with Future Evidence for Trajectory Evaluation and Refinement in End-to-End Autonomous Driving

シェア:X Threads Facebook LINE はてブ Bluesky

複数の運転意図に対応する軌道を1ステップで生成し、現在と将来の証拠で評価・洗練するEnd-to-End自動運転プランナを提案。NAVSIMで高スコアを達成。

詳しい要約

1. どんなもの？

- End-to-end autonomous driving の planning において、複数の driving intention を考慮し、将来リスクを評価して trajectory を選択・洗練する手法 ManeuverFlow を提案。 - 多様な maneuver mode を選択し、Gaussian mixture prior からノイズをサンプリング、maneuver-routed mixture-of-experts MeanFlow field で intention-specific trajectory を生成。 - 生成候補を world model の future features と current features で評価し、refiner で Frenet residual を予測して再スコアリング。 - NAVSIM v1/v2 で 90.6 PDMS / 90.1 EPDMS、WorldEngine 3DGS closed-loop benchmark で 75.19 / 74.58 PDMS* を達成。

2. 先行研究と比べてどこがすごい？

- 従来の multi-query regression は単一モードに collapse する問題、anchor-based/generative planners は候補数と計算コストのトレードオフ（小規模では maneuver 網羅性・高品質 trajectory 発見が制限、大規模では生成・スコアリングコスト増大）が課題。 - ManeuverFlow は one-step で異なる intention の trajectory を生成し、current/future evidence で評価・洗練することで、候補数を抑えつつ多様な maneuver をカバー。 - 軽量な TransFuser-style ResNet-34 backbone で高い性能を実現し、スケーリングボトルネックを緩和。

3. 技術・手法の肝は？

- maneuver mode を選択し、Gaussian mixture prior から対応するノイズを抽出。 - maneuver-routed mixture-of-experts MeanFlow field により、intention-specific trajectory へマッピング。 - world model が予測する future features と current features を各候補 path に沿って集約し、trajectory-specific evidence を生成。 - この evidence を用いて PDM-factor を予測し、refiner が選択候補の local Frenet residual を予測。 - 洗練・保持された候補を jointly に再スコアリングして最終 trajectory を選択。

4. どうやって有効だと検証した？

- NAVSIM v1/v2 navtest で 90.6 PDMS、90.1 EPDMS を達成。 - WorldEngine の 3DGS closed-loop benchmark で logged traffic 下 75.19、IDM-controlled traffic 下 74.58 の PDMS* を記録（listed 最高スコア）。 - 軽量な TransFuser-style ResNet-34 backbone を使用。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究：multi-query regression、anchor-based planners、generative planners、TransFuser、MeanFlow、world model、PDM-factor、NAVSIM、WorldEngine、3DGS closed-loop benchmark。 - 関連手法として mixture-of-experts、Gaussian mixture prior、Frenet residual refinement 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: Yuhao Wei, Yong Chen, Chen Yang, Yingchen Wang, Delin Ouyang, Lingfeng Qi, Qi Lan, Zhanhua Zhang, Jie Li, Guofa Li

分類: cs.RO

原文アブストラクト

End-to-end planning in complex scenes must model diverse driving intentions and select the most appropriate trajectory using scene context and future risks. However, multi-query regression may collapse to one mode, while anchor-based and generative planners share a scaling bottleneck: small candidate sets limit maneuver coverage or discovery of high-quality trajectories, whereas large sets increase generation and scoring costs. We propose ManeuverFlow to generate trajectories for distinct intentions in one step and evaluate and refine them using current and future evidence. The model selects relevant maneuver modes, draws corresponding noise from the Gaussian mixture prior, and maps it to intention-specific trajectories through a maneuver-routed mixture-of-experts MeanFlow field. Current features and future features predicted by the world model are aggregated along each candidate path into trajectory-specific evidence for PDM-factor prediction. Using the same evidence, the refiner predicts local Frenet residuals for selected candidates; refined and retained candidates are then jointly re-scored for selection. With a lightweight TransFuser-style ResNet-34 backbone, ManeuverFlow achieves 90.6 PDMS and 90.1 EPDMS on NAVSIM v1/v2 navtest, respectively. On WorldEngine's recent 3DGS closed-loop benchmark, it attains the highest listed PDMS$^\ast$ scores of 75.19 and 74.58 under logged and IDM-controlled traffic, respectively. Code: https://github.com/wyh-autonomy/maneuverflow.

arXivで原文を読む →arXiv概要ページ

← 論文一覧