自動運転のための時間的に分離された拡散プランニング
Temporally Decoupled Diffusion Planning for Autonomous Driving
自動運転の軌道生成を時間的に分離し、近い将来と遠い将来の異なる依存関係を扱う拡散モデルを提案。ノイズをマスクとして用いる手法と新しい正規化層により、nuPlanベンチマークで高い性能を達成した。
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: Xiang Li, Bikun Wang, John Zhang, Jianjun Wang
分類: cs.RO, cs.AI
原文アブストラクト
Motion planning in dynamic urban environments requires balancing immediate safety with long-term goals. While diffusion models effectively capture multi-modal decision-making, existing approaches treat trajectories as monolithic entities, overlooking heterogeneous temporal dependencies where near-term plans are constrained by instantaneous dynamics and far-term plans by navigational goals. To address this, we propose Temporally Decoupled Diffusion Model (TDDM), which reformulates trajectory generation via a noise-as-mask paradigm. By partitioning trajectories into segments with independent noise levels, we implicitly treat high noise as information voids and weak noise as contextual cues. This compels the model to reconstruct corrupted near-term states by leveraging internal correlations with better-preserved temporal contexts. Architecturally, we introduce a Temporally Decoupled Adaptive Layer Normalization (TD-AdaLN) to inject segment-specific timesteps. During inference, our Asymmetric Temporal Classifier-Free Guidance utilizes weakly noised far-term priors to guide immediate path generation. Evaluations on the nuPlan benchmark show TDDM approaches or exceeds state-of-the-art baselines, particularly excelling in the challenging Test14-hard subset.
関連論文
- 閉ループ認識型プランニング：模倣不要の速度スコアリングによるエンドツーエンド自動運転自動運転/プランニング
- 計画は実行ではない：凍結ワールドモデルプランナを制御器起因の実行シフトに適応させる自動運転/プランニング
- ウェイポイント回帰を超えて：到達可能な自己未来に対するクエリベースコスト学習によるエンドツーエンド運転自動運転/プランニング
- 学習済み運転プランナのための閉ループ改良と実行自動運転/プランニング
- G2DP: 時空間グリッドガイダンスを用いた拡散プランニング自動運転/プランニング
- 予測不確実性と安全行動の橋渡し：自動運転のためのサンプル条件付き微分可能プランニング自動運転/プランニング
