語彙候補と拡散によるシーン適応的洗練を統合したEnd-to-End自動運転

- 提案手法はCdDriveと呼ばれる。 - 固定されたtrajectory vocabularyと、vocabulary-conditioned diffusion denoisingにより生成されるscene-adaptive candidatesを組み合わせた候補集合を構築する。 - 両候補は共有のselection moduleで統合的にスコアリングされ、最終的な計画が選択される。 - さらにHATNA (Horizon-Aware Trajectory Noise Adapter)を導入し、diffusion candidatesの滑らかさと幾何学的連続性を改善する。 - NAVSIM v1とv2で最先端性能を達成。

- 従来の固定trajectory vocabularyは日常的な運転で安定したカバレッジを提供するが、複雑なインタラクションでは最適解を見逃すことがある。 - 一方、scene-adaptive refinementは単純なシナリオで既に強いvocabulary trajectoriesを不必要に摂動させ、過剰補正を引き起こす可能性がある。 - CdDriveは元のvocabulary candidatesを保持しつつ、diffusionにより生成したscene-adaptive candidatesを追加し、共有selection moduleで両者を統合評価する。 - これにより、日常的および高度にインタラクティブなシナリオの両方で信頼性の高い性能を実現する。

- 固定trajectory vocabularyを維持し、vocabulary-conditioned diffusion denoisingによりscene-adaptive candidatesを生成する。 - 生成された候補と元のvocabulary candidatesを共有のselection moduleで共同スコアリングする。 - HATNA (Horizon-Aware Trajectory Noise Adapter)を導入し、時間的平滑化とhorizon-aware noise modulationによりdiffusion candidatesの滑らかさと幾何学的連続性を向上させる。

- NAVSIM v1およびNAVSIM v2での実験により、最先端性能を示した。 - アブレーション研究により、各コンポーネントの貢献を検証した。

- 要旨からは不明。

- 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、固定trajectory vocabularyを用いる手法、scene-adaptive refinement、diffusion-based planning、NAVSIMベンチマークに関する研究が挙げられる。