物理情報を組み込んだ拡散Mamba Transformerによる実世界運転
Physics-informed Diffusion Mamba Transformer for Real-world Driving
拡散モデルにMambaと注意機構を組み込み、さらにポート・ハミルトン型ニューラルネットで物理制約を課すことで、自動運転の軌道予測精度と物理的妥当性を高めた研究。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ 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: Hang Zhou, Qiang Zhang, Peiran Liu, Yihao Qin, Zhaoxu Yan, Yiding Ji
分類: cs.RO
原文アブストラクト
Autonomous driving systems demand trajectory planners that not only model the inherent uncertainty of future motions but also respect complex temporal dependencies and underlying physical laws. While diffusion-based generative models excel at capturing multi-modal distributions, they often fail to incorporate long-term sequential contexts and domain-specific physical priors. In this work, we bridge these gaps with two key innovations. First, we introduce a Diffusion Mamba Transformer architecture that embeds mamba and attention into the diffusion process, enabling more effective aggregation of sequential input contexts from sensor streams and past motion histories. Second, we design a Port-Hamiltonian Neural Network module that seamlessly integrates energy-based physical constraints into the diffusion model, thereby enhancing trajectory predictions with both consistency and interpretability. Extensive evaluations on standard autonomous driving benchmarks demonstrate that our unified framework significantly outperforms state-of-the-art baselines in predictive accuracy, physical plausibility, and robustness, thereby advancing safe and reliable motion planning.
関連論文
- GHOST: 観測されたSfM軌跡からの地平面投影仮説自動運転/軌道予測
- 重要なものを測る：自動運転における軌道予測器のシナリオ駆動型評価自動運転/軌道予測
- SAM-LLM: パラメトリック微調整による解釈可能な車線変更軌道予測自動運転/軌道予測
- 自動運転の安全な運動計画のためのインタラクションを考慮した軌道予測：Transformer転移学習アプローチ自動運転/軌道予測
- Motion Transformerベース軌道予測の転移学習に関する研究自動運転/軌道予測
- LSTMに基づく自動運転車線変更の安全性予測モデル自動運転/軌道予測
