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arXiv:2601.05083

レジスタ上での運転:効率的なTransformerによるエンドツーエンド自動運転

Driving on Registers

シェア:XThreadsFacebookLINEはてブBluesky

事前学習済みViTにカメラ対応レジスタトークンを導入し、マルチカメラ特徴を圧縮して軽量なTransformerデコーダで軌道生成とスコアリングを行う、効率的なエンドツーエンド自動運転手法を提案した。

詳しい要約

1. どんなもの?

- どんなもの? - DrivoR: エンドツーエンド自動運転のためのシンプルで効率的なTransformerベースのアーキテクチャ。 - 事前学習済みVision Transformer (ViT) を基盤とし、カメラ対応のregister tokenを導入。 - マルチカメラ特徴をコンパクトなシーン表現に圧縮し、下流計算を大幅に削減。 - 2つの軽量Transformerデコーダが候補軌道を生成・スコアリング。 - スコアリングデコーダはoracleを模倣し、安全性・快適性・効率性などの解釈可能なサブスコアを予測。 - 推論時に行動条件付き運転を可能にする。

2. 先行研究と比べてどこがすごい?

- 先行研究と比べてどこがすごい? - 純粋なTransformerアーキテクチャとトークン圧縮の組み合わせで、正確・効率的・適応的なエンドツーエンド運転を実現。 - 最小限の設計ながら、NAVSIM-v1、NAVSIM-v2、HUGSIMベンチマークで強力な現代のベースラインを上回るか同等の性能。 - 下流計算を大幅に削減しつつ精度を犠牲にしない点が優れている。

3. 技術・手法の肝は?

- 技術や手法の肝はどこ? - 事前学習済みViTを利用。 - カメラ対応のregister tokenを導入し、マルチカメラ特徴をコンパクトなシーン表現に圧縮。 - 2つの軽量Transformerデコーダ:1つは候補軌道を生成、もう1つはスコアリング。 - スコアリングデコーダはoracleを模倣し、安全性・快適性・効率性などの解釈可能なサブスコアを予測。 - 推論時に行動条件付き運転を可能にする。

4. どうやって有効だと検証した?

- どうやって有効だと検証した? - NAVSIM-v1、NAVSIM-v2、およびフォトリアリスティックな閉ループHUGSIMベンチマークで評価。 - 強力な現代のベースラインと比較し、上回るか同等の性能を示した。

5. 議論はある?

- 議論はある? - 要旨からは不明。

6. 次に読むべき論文は?

- 次に読むべき論文は? - 要旨で参照/比較されている研究:NAVSIM-v1、NAVSIM-v2、HUGSIMベンチマーク。 - 関連手法:Vision Transformer (ViT)、register token、Transformerデコーダ。 - 同分野の定番:エンドツーエンド自動運転のためのTransformerベース手法。

※ 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: Ellington Kirby, Alexandre Boulch, Yihong Xu, Yuan Yin, Gilles Puy, Éloi Zablocki, Andrei Bursuc, Spyros Gidaris, Renaud Marlet, Florent Bartoccioni, Anh-Quan Cao, Nermin Samet, Tuan-Hung VU, Matthieu Cord

分類: cs.CV, cs.AI, cs.RO

原文アブストラクト

We present DrivoR, a simple and efficient transformer-based architecture for end-to-end autonomous driving. Our approach builds on pretrained Vision Transformers (ViTs) and introduces camera-aware register tokens that compress multi-camera features into a compact scene representation, significantly reducing downstream computation without sacrificing accuracy. These tokens drive two lightweight transformer decoders that generate and then score candidate trajectories. The scoring decoder learns to mimic an oracle and predicts interpretable sub-scores representing aspects such as safety, comfort, and efficiency, enabling behavior-conditioned driving at inference. Despite its minimal design, DrivoR outperforms or matches strong contemporary baselines across NAVSIM-v1, NAVSIM-v2, and the photorealistic closed-loop HUGSIM benchmark. Our results show that a pure-transformer architecture, combined with targeted token compression, is sufficient for accurate, efficient, and adaptive end-to-end driving. Code and checkpoints will be made available via the project page.

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

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