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/拡散ポリシーarXiv:2509.20253

AnchDrive: ハイブリッド軌道アンカーによる拡散ポリシーのブートストラップを用いたエンドツーエンド運転

AnchDrive: Bootstrapping Diffusion Policies with Hybrid Trajectory Anchors for End-to-End Driving

シェア:XThreadsFacebookLINEはてブBluesky

静的・動的な軌道アンカーを初期値として拡散モデルを効率化し、NAVSIMで最先端性能を達成したエンドツーエンド自動運転プランナー。

詳しい要約

1. どんなもの?

- 自動運転向けの end-to-end multi-modal planning フレームワーク「AnchDrive」 - diffusion policy を hybrid trajectory anchors で bootstrapping する設計 - 純粋なノイズからの denoising ではなく、anchor を初期値として軌道を精緻化 - 目的は生成モデルの高い計算コストの緩和と、多様で高品質な軌道生成の両立 - NAVSIM benchmark で評価

2. 先行研究と比べてどこがすごい?

- 従来の generative model は純ノイズからの denoising で計算コストが高い - AnchDrive は anchor を初期値に使うことで効率化を狙う - 単一の anchor 源ではなく、静的 prior と動的 context-aware 軌道の hybrid 構成 - 要旨では具体的な先行研究名との比較数値は示されていない - 新 SOTA 達成との記述のみ

3. 技術・手法の肝は?

- hybrid trajectory anchors を 2 系統から構成 - 静的 vocabulary: 一般的な運転 prior - 動的軌道: dense/sparse な知覚特徴を Transformer がリアルタイムに decode - diffusion model は anchor に対する軌道オフセットの分布を予測して refine - anchor-based bootstrapping により多様かつ高品質な軌道を効率的に生成

4. どうやって有効だと検証した?

- NAVSIM benchmark 上で実験 - 新たな state-of-the-art を達成したと報告 - 強い generalizability を示すと主張 - 具体的な指標・ablation の詳細は要旨からは不明

5. 議論はある?

- 計算コスト削減と軌道品質・多様性のトレードオフに関する議論は要旨からは不明 - anchor の静的/動的な比率や設計感度の分析は要旨からは不明 - long-tail シナリオでの挙動の詳細評価は要旨からは不明 - 限界や失敗ケースの記述は要旨からは不明

6. 次に読むべき論文は?

- diffusion policy を用いた end-to-end planning の代表的研究(Diffusion Policy 系) - multi-modal planning の従来手法(behavior cloning 系の planning 研究) - NAVSIM benchmark の原論文とその評価プロトコル - Transformer による知覚特徴からの軌道 decode 関連研究 - 要旨で明示的な参照論文は挙げられていないため、上記は同分野の定番・関連手法

※ 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: Jinhao Chai, Anqing Jiang, Hao Jiang, Shiyi Mu, Zichong Gu, Hao Sun, Shugong Xu

分類: cs.RO, cs.AI

原文アブストラクト

End-to-end multi-modal planning has become a transformative paradigm in autonomous driving, effectively addressing behavioral multi-modality and the generalization challenge in long-tail scenarios. We propose AnchDrive, a framework for end-to-end driving that effectively bootstraps a diffusion policy to mitigate the high computational cost of traditional generative models. Rather than denoising from pure noise, AnchDrive initializes its planner with a rich set of hybrid trajectory anchors. These anchors are derived from two complementary sources: a static vocabulary of general driving priors and a set of dynamic, context-aware trajectories. The dynamic trajectories are decoded in real-time by a Transformer that processes dense and sparse perceptual features. The diffusion model then learns to refine these anchors by predicting a distribution of trajectory offsets, enabling fine-grained refinement. This anchor-based bootstrapping design allows for efficient generation of diverse, high-quality trajectories. Experiments on the NAVSIM benchmark confirm that AnchDrive sets a new state-of-the-art and shows strong generalizability

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmo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
  3. 3GXO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
  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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI