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/拡散モデル/モーションプランニングarXiv:2606.11019

拡散フォーシングプランナー:時間依存ガイダンスによる履歴アニーリングを用いた自動運転計画

Diffusion Forcing Planner: History-Annealed Planning with Time-Dependent Guidance for Autonomous Driving

シェア:XThreadsFacebookLINEはてブBluesky

自動運転のモーションプランナーにおける時間的不整合性を解決するため、履歴・現在・未来の軌道セグメントに独立したノイズレベルを割り当てて拡散モデルで共同生成し、推論時に履歴をアニーリングしながらガイダンスを適用する手法を提案した。

詳しい要約

1. どんなもの?

- 自動運転のための学習ベースの運動プランナー。 - 時間的一貫性の欠如を解決するため、Diffusion Forcing Planner (DFP) を提案。 - 拡散モデルをベースに、履歴誘導制御で計画を行うフレームワーク。 - 軌道を履歴・現在・未来に分解し、各セグメントに独立したノイズレベルを割り当てる。 - 履歴と未来を共同でデノイズする異種結合拡散プロセスを採用。 - 推論時には classifier-free guidance (CFG) を適用し、アニールされた履歴で未来サンプリングを制御。

2. 先行研究と比べてどこがすごい?

- 従来の学習ベースプランナーは時間的不安定性に悩まされ、フレーム間の小さな摂動が蓄積して不安定な軌道を生成。 - 履歴を静的な条件信号として注入する手法は、環境文脈に適応せず履歴パターンをコピーする問題があった。 - DFP は履歴を動的に誘導信号として利用し、コピーではなく適応的な計画を可能にする。 - 閉ループ評価で競争力のある性能を示し、連続的で安定かつ制御可能な運動計画を実現。

3. 技術・手法の肝は?

- 拡散モデルに基づく計画フレームワーク。 - 軌道を history, current, future のセグメントに分解。 - 各セグメントに独立したノイズレベルを割り当て、異種結合拡散プロセスを実行。 - 履歴と未来を共同でデノイズ。 - 推論時に classifier-free guidance (CFG) を適用し、アニールされた履歴で未来サンプリングを誘導。 - これにより制御可能な計画を実現。

4. どうやって有効だと検証した?

- nuPlan データセット上で閉ループ評価を実施。 - 包括的なアブレーション研究を実施。 - 複雑な運転シナリオで連続的、安定、制御可能な運動計画を生成することを確認。 - 競争力のある性能を達成。

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は明示されていない。 - 関連手法として、Diffusion Forcing, classifier-free guidance (CFG), nuPlan ベンチマーク、学習ベース運動プランナーが挙げられる。 - 同分野の定番として、nuPlan を用いたプランナー研究(例: PLUTO, GameFormer など)が考えられるが、要旨に記載がないため一般名に留める。

※ 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: Zehan Zhang, Neng Zhang, Yaoyi Li, Jia Cai, Zhiling Wang

分類: cs.RO, cs.AI

原文アブストラクト

Learning-based motion planners, despite recent progress, often suffer from temporal inconsistency. Small perturbations across frames can accumulate into unstable trajectories, degrading comfort and safety in closed-loop driving. Several methods attempt to inject history as a static conditioning signal to stabilize outputs, only to induce the planner to copy historical patterns instead of adapting to environment contexts. To address this limitation, we propose Diffusion Forcing Planner (DFP), a diffusion-based planning framework driven by history-guided control. Specifically, DFP decomposes the full trajectory into history, current and future segments, and assign independent noise levels to each segment. The model jointly denoises the historical and the future segments, enforcing a heterogeneous joint diffusion process. At inference, classifier-free guidance (CFG) is applied to steer future sampling using annealed history in a controllable manner. Closed-loop evaluation and comprehensive ablations on nuPlan show that DFP achieves competitive performance while producing continuous, stable, and controllable motion plans in complex driving scenarios.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmo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
  3. 3GXO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
  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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI