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
Bridging Predictive Uncertainty and Safe Action: Sample-Conditioned Differentiable Planning for Autonomous Driving
拡散モデルで生成した多様な未来シナリオを微分可能なプランナーに直接組み込み、CVaR尾部リスク制約で安全性を確保する自動運転のプランニング手法を提案した。WaymoとArgoverse 2で安全性・効率・快適性を向上させた。
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: Chengzhen Meng, Pei Liu, Zhiyu Huang, Chen Lv, Jun Ma
分類: cs.RO
原文アブストラクト
Complex, dynamic, and interactive driving environments pose significant challenges for autonomous driving, primarily due to the pervasive uncertainty of surrounding traffic. A fundamental bottleneck in current systems is the disconnect between highly expressive uncertainty modeling and interpretable, safe motion planning. In this paper, we propose a novel sample-conditioned differentiable planning framework that bridges this gap by explicitly incorporating diffusion-generated future trajectories into the optimization process. Rather than compressing predictions into a single deterministic future or relying on black-box end-to-end architectures, our approach leverages a conditional diffusion model to generate a diverse set of plausible future scenarios. Crucially, these samples are directly fed into a differentiable planner, which explicitly mitigates predictive uncertainty via an empirical Conditional Value-at-Risk (CVaR) tail-risk constraint. This allows the planner to optimize a physically interpretable trajectory that is robust to rare yet safety-critical interactions. Furthermore, we introduce a directed graph representation for scene context that yields substantial improvements in both predictive effectiveness and computational efficiency. Validated through extensive open-loop and closed-loop evaluations on the Waymo Open Motion and Argoverse 2 datasets, our framework significantly outperforms state-of-the-art baselines in safety, efficiency, and ride comfort.
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
- 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自動運転/プランニング
