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/軌道計画/VLMarXiv:2509.25249

BEV-VLM: 統合BEV表現による軌道計画

BEV-VLM: Trajectory Planning via Unified BEV Abstraction

シェア:XThreadsFacebookLINEはてブBluesky

カメラとLiDARを融合したBEV特徴マップを視覚入力としてVLMに与え、自動運転の軌道計画を高精度化する手法を提案。nuScenesで視覚のみの最先端手法より計画精度が53.1%向上し、衝突回避も達成。

詳しい要約

1. どんなもの?

- 自動運転の trajectory planning のための新手法 BEV-VLM を提案 - Vision-Language Models (VLMs) の視覚入力として raw camera images ではなく Bird's-Eye View (BEV) feature maps を用いる - camera と LiDAR を fusion して生成した BEV 表現を High-Definition (HD) maps に align し、統一的な BEV-HD map 形式で VLM に与える - nuScenes dataset 上で評価

2. 先行研究と比べてどこがすごい?

- 従来の trajectory planning は raw visual data(camera images など)のみに依存 - 提案手法は camera と LiDAR の fusion による高圧縮かつ情報量の多い BEV 表現を利用 - 統一 BEV-HD map 形式により幾何的に一貫し意味的に豊かな scene description を実現 - nuScenes 上で state-of-the-art の vision-only 手法と比較し planning accuracy が 53.1% 改善 - 評価シナリオで完全な collision avoidance を達成

3. 技術・手法の肝は?

- camera と LiDAR のデータを fusion して BEV feature maps を生成 - 生成した BEV 表現を HD maps に align し、統一的な BEV-HD map 形式を構築 - この BEV-HD map を VLM の視覚入力として与え、trajectory planning を実行 - VLM が raw image ではなく処理済み視覚表現(BEV features)を解釈できる点を活用

4. どうやって有効だと検証した?

- nuScenes dataset を用いて実験 - state-of-the-art の vision-only 手法との比較を実施 - planning accuracy で 53.1% の改善を報告 - 評価シナリオにおいて完全な collision avoidance を実現したと報告

5. 議論はある?

- VLM が BEV features のような処理済み視覚表現を効果的に解釈できることを示唆 - raw image inputs 以外への VLM の適用可能性を拡張する点を強調 - 具体的な限界や失敗ケース、計算コストなどの議論は要旨からは不明

6. 次に読むべき論文は?

- 要旨で比較対象として言及される state-of-the-art の vision-only trajectory planning 手法(具体的名称は要旨からは不明) - nuScenes dataset を用いた関連研究 - VLM を用いた autonomous driving の trajectory planning 研究 - BEV feature と HD map の fusion/alignment に関する研究

※ 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: Guancheng Chen, Sheng Yang, Tong Zhan, Jian Wang

分類: cs.RO, cs.AI

原文アブストラクト

This paper introduces BEV-VLM, a novel approach for trajectory planning in autonomous driving that leverages Vision-Language Models (VLMs) with Bird's-Eye View (BEV) feature maps as visual input. Unlike conventional trajectory planning approaches that rely solely on raw visual data (e.g., camera images), our method utilizes a highly compressed and informative BEV representation generated by fusing camera and LiDAR data, with subsequent alignment to High-Definition (HD) maps. This unified BEV-HD map format provides a geometrically consistent and semantically rich scene description, which enables VLMs to perform accurate and robust trajectory planning. Experimental results on the nuScenes dataset demonstrate that, compared with state-of-the-art vision-only methods, our approach achieves a 53.1% improvement in planning accuracy and realizes complete collision avoidance in evaluation scenarios. Our work highlights that VLMs can effectively interpret processed visual representations such as BEV features, expanding their applicability beyond raw image inputs for the task of trajectory planning.

  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