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

- 自動運転向けの diffusion-based planner である G2DP を提案。 - 推論時に密な環境制約を guidance として注入する。 - differentiable な spatio-temporal cost volume を構築。 - 確率的な future occupancy 分布と route-progress map を融合。 - 衝突回避と経路進捗を両立する軌道生成を狙う。

- 既存 guidance は sparse で entity-centric な幾何クエリや post-hoc refinement に依存。 - それらは situational awareness が限定的で interactive 場面で脆弱。 - G2DP は密な環境制約を inference-time guidance として直接課す。 - nuPlan で最強の imitation-learning baseline を reactive score で +7.2 点上回る。 - zero-shot transfer でも top scores を維持。

- differentiable な spatio-temporal cost volume を構築。 - probabilistic future occupancy 分布と route-progress map を融合。 - この volume を連続的な safety energy functional として定式化。 - denoising loop に密な勾配を直接注入。 - 軌道生成を collision-free かつ progress-optimal な領域へ能動的に誘導。

- 閉ループ評価を実施。 - nuPlan で state-of-the-art 性能を達成。 - 最強の imitation-learning baseline より reactive score で +7.2 点高い。 - interPlan と DeepScenario への zero-shot transfer で top scores を維持。 - interPlan では unguided 手法より衝突回避が +10.15 改善。

- spatio-temporal cost grids が diffusion-based planning の robust guidance に有効な表現であると示唆。 - 既存 guidance の限定的な situational awareness と脆弱性を問題として指摘。 - 提案手法の有効性は複数ベンチマークで示される。 - 限界や失敗事例、計算コストなどの詳細は要旨からは不明。

- nuPlan に関する研究。 - interPlan に関する研究。 - DeepScenario に関する研究。 - diffusion-based planner の guidance 手法。 - imitation-learning baseline に関する研究。