日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

自動運転計画arXiv:2505.24808

RealDrive: 拡散モデルによる検索拡張型運転計画

RealDrive: Retrieval-Augmented Driving with Diffusion Models

シェア:XThreadsFacebookLINEはてブBluesky

訓練データから類似の専門家デモを検索し、拡散モデルの初期値として使うことで、長尾の危険シナリオでも安全で多様な軌道を生成する運転計画手法を提案。

詳しい要約

1. どんなもの?

- 学習ベースのdriving plannerのためのRetrieval-Augmented Generation (RAG)フレームワーク「RealDrive」 - 訓練データセットから最も関連するexpert demonstrationを検索し、diffusion-based planning policyを初期化 - denoising processを通じて現在のobservationと検索例を補間し、fine-grained controlと安全な挙動を実現 - 長尾イベントへの汎化とtrajectory diversityの向上を狙う - Waymo Open Motion datasetで評価

2. 先行研究と比べてどこがすごい?

- rule-based plannerの硬直した挙動を克服する学習ベースplannerに対し、希少でsafety-criticalなシナリオへの弱さと生成trajectoryの制御性の低さを課題として指摘 - RealDriveはRAGで検索したexpert demonstrationの強いpriorを活用し、多様なシナリオでのfine-grained controlと安全挙動を可能に - 標準的な学習ベースplannerと比較し、長尾イベントへの汎化とtrajectory diversityが向上 - Waymo Open Motion datasetでcollision rateが40%減少

3. 技術・手法の肝は?

- Retrieval-Augmented Generation (RAG)フレームワーク - 訓練データセットから最も関連するexpert demonstrationを検索し、diffusion-based planning policyを初期化 - denoising processで現在のobservationと検索例を補間 - 検索モデルはplanning-based objectivesで訓練されたtask-relevant retrieverが、task-agnostic retrieverより優れたplanning性能を示すという知見 - 検索シナリオの強いpriorを活用

4. どうやって有効だと検証した?

- Waymo Open Motion datasetでの実験 - 標準的な学習ベースplannerと比較し、長尾イベントへの汎化とtrajectory diversityの向上を確認 - RAGによりcollision rateが40%減少 - task-relevant retrieverとtask-agnostic retrieverの比較で、前者が優れたplanning性能を示すことを確認

5. 議論はある?

- 要旨からは不明 - 限界や失敗ケース、計算コスト、検索データベースの規模依存性などについての議論は要旨に記載なし

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない - 関連手法として、diffusion-based planning、Retrieval-Augmented Generation (RAG)、Waymo Open Motion datasetを用いた学習ベースplannerの研究が次に読むべき候補

※ 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: Wenhao Ding, Sushant Veer, Yuxiao Chen, Yulong Cao, Chaowei Xiao, Marco Pavone

分類: cs.RO, cs.AI

原文アブストラクト

Learning-based planners generate natural human-like driving behaviors by learning to reason about nuanced interactions from data, overcoming the rigid behaviors that arise from rule-based planners. Nonetheless, data-driven approaches often struggle with rare, safety-critical scenarios and offer limited controllability over the generated trajectories. To address these challenges, we propose RealDrive, a Retrieval-Augmented Generation (RAG) framework that initializes a diffusion-based planning policy by retrieving the most relevant expert demonstrations from the training dataset. By interpolating between current observations and retrieved examples through a denoising process, our approach enables fine-grained control and safe behavior across diverse scenarios, leveraging the strong prior provided by the retrieved scenario. Another key insight we produce is that a task-relevant retrieval model trained with planning-based objectives results in superior planning performance in our framework compared to a task-agnostic retriever. Experimental results demonstrate improved generalization to long-tail events and enhanced trajectory diversity compared to standard learning-based planners -- we observe a 40% reduction in collision rate on the Waymo Open Motion dataset with RAG.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI