計画する場所だけを見るリアルタイム都市運転プランナー

- 都市域の end-to-end 運転 planner である LOWP を提案する論文。 - 計画する場所だけを見る設計で、dense BEV を構築せず、object や map の supervision も使わない。 - 16 個ずつ 2 組の learnable queries が既知の calibration を通じて camera を読む。 - 一方は projected 3D anchors で image features を sampling し、他方は viewing rays でラベル付けした features に attend する。 - open-loop nuScenes、pseudo-simulated NAVSIM、closed-loop Bench2Drive で評価。

- 強い既存 driving planner では dense BEV 構築がパラメータの 60% を占める点を問題視。 - LOWP は dense BEV を作らず、object/map supervision も不要な compact 表現で competitive な planning を実現。 - nuScenes で平均 L2 は 0.302 から 0.296 m に変化しつつ、dense 相当の 53% のパラメータ、同一 GPU で 1.7 倍の速度。 - NAVSIM では再学習なしで自身の trajectories と vocabulary を scoring し 85.9 PDMS。 - ただし latency は実測と hardware-transferred estimates を区別し、共通ハードウェアでの順位付けは成立しないと述べる。

- 2 組の 16 learnable queries が camera 画像を既知の calibration 経由で読む。 - 第 1 の reader は projected 3D anchors 上で image features を sampling する。 - 第 2 の reader は viewing rays でラベル付けした features に attention する。 - dense BEV 構築を行わず、object や map の supervision も使わない。 - 計画に必要な場所だけを読むことで compact な表現を実現。

- open-loop の nuScenes、pseudo-simulated の NAVSIM、closed-loop の Bench2Drive で評価。 - nuScenes で平均 L2 0.296 m、dense 相当の 53% パラメータ、同一 GPU で 1.7 倍速度を報告。 - anchor-based reader は global reader より turns で良好。 - NAVSIM で自身の trajectories と vocabulary を scoring し、再学習なしで 85.9 PDMS。 - closed-loop 制御設定は 218 routes で 65.5 を記録。

- brake-induced standstill failure があり、その release rule の aggregate benefit は inconclusive とされる。 - latency は measured latency と hardware-transferred estimates を区別する必要があり、後者は共通ハードウェアでの ranking を確立しない。 - anchor-based reader が turns で優れる一方、global reader との使い分けや限界については要旨からは不明。 - 閉ループ性能や standstill 問題の詳細な原因分析は要旨からは不明。

- 要旨で直接参照/比較されている dense BEV を用いる strong driving planner（具体的な論文名は要旨からは不明）。 - nuScenes 上の end-to-end planning 研究。 - NAVSIM の PDMS 評価を用いる planning 研究。 - Bench2Drive の closed-loop 評価を用いる研究。 - BEV 構築を軽量化する query-based / anchor-based perception 手法。