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:2603.02035

LAD-Drive: 言語と軌道を橋渡しする行動認識拡散トランスフォーマー

LAD-Drive: Bridging Language and Trajectory with Action-Aware Diffusion Transformers

シェア:XThreadsFacebookLINEはてブBluesky

自動運転向けに、高レベルの意図と低レベルの空間計画を構造的に分離し、行動認識拡散デコーダを用いて安全で運動学的に実現可能な軌道を生成するフレームワークを提案した。

詳しい要約

1. どんなもの?

- 自動運転のための生成フレームワーク - MLLMの離散的な意味知識を連続的な軌道に変換する課題に対処 - 高レベルの意図と低レベルの空間計画を構造的に分離 - アクションデコーダで確率的メタアクション分布を推論し、明示的な信念状態を確立 - この分布と車両の運動状態を融合し、アクション認識拡散デコーダを条件付け - 切り詰められたデノイジングプロセスで学習済みモーションアンカーを安全で運動学的に実行可能な軌道に洗練 - LangAutoベンチマークで評価

2. 先行研究と比べてどこがすごい?

- 既存手法は単一モーダルの計画ヘッドに依存し、マルチモーダルな運転行動を表現する能力が限定的 - 多くの生成アプローチはワンホットエンコードされたアクションに条件付けし、複雑なシナリオで重要な微妙なナビゲーションの不確実性を捨てている - LAD-Driveは確率的メタアクション分布を用いて明示的な信念状態を確立し、ワンホットエンコーディングで失われる意図を保持 - LangAutoベンチマークで競合ベースラインを最大59%のDriving Scoreで上回り、経路逸脱と衝突を大幅に削減

3. 技術・手法の肝は?

- アクションデコーダ:確率的メタアクション分布を推論し、明示的な信念状態を確立 - この分布を車両の運動状態と融合し、アクション認識拡散デコーダを条件付け - 拡散デコーダ:切り詰められたデノイジングプロセスを利用し、学習済みモーションアンカーを安全で運動学的に実行可能な軌道に洗練 - 高レベルの意図と低レベルの空間計画を構造的に分離

4. どうやって有効だと検証した?

- LangAutoベンチマークでの広範な評価 - 競合ベースラインと比較して最大59%のDriving Score向上 - 経路逸脱と衝突の大幅な削減を確認

5. 議論はある?

- 要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:MLLM、既存の生成アプローチ(ワンホットエンコーディングに条件付けするもの)、LangAutoベンチマーク - 関連手法:拡散モデル、アクション認識拡散デコーダ、確率的メタアクション分布

※ 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: Fabian Schmidt, Karol Fedurko, Markus Enzweiler, Abhinav Valada

分類: cs.RO, cs.CV

原文アブストラクト

While multimodal large language models (MLLMs) provide advanced reasoning for autonomous driving, translating their discrete semantic knowledge into continuous trajectories remains a fundamental challenge. Existing methods often rely on unimodal planning heads that inherently limit their ability to represent multimodal driving behavior. Furthermore, most generative approaches frequently condition on one-hot encoded actions, discarding the nuanced navigational uncertainty critical for complex scenarios. To resolve these limitations, we introduce LAD-Drive, a generative framework that structurally disentangles high-level intention from low-level spatial planning. LAD-Drive employs an action decoder to infer a probabilistic meta-action distribution, establishing an explicit belief state that preserves the nuanced intent typically lost by one-hot encodings. This distribution, fused with the vehicle's kinematic state, conditions an action-aware diffusion decoder that utilizes a truncated denoising process to refine learned motion anchors into safe, kinematically feasible trajectories. Extensive evaluations on the LangAuto benchmark demonstrate that LAD-Drive achieves state-of-the-art results, outperforming competitive baselines by up to 59% in Driving Score while significantly reducing route deviations and collisions. We will publicly release the code and models on https://github.com/iis-esslingen/lad-drive.

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