日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

V2X/自動運転arXiv:2607.19774

計画に従う:エンドツーエンドV2X運転のための適応型マルチエージェント融合

Defer to Plan: Adaptive Multi-Agent Fusion for End-to-End V2X Driving

シェア:XThreadsFacebookLINEはてブBluesky

V2X環境での自動運転において、計画タスクを直接最適化するエンドツーエンドの協調運転システムを提案。時空間特徴の圧縮と適応的融合により、閉ループ評価で既存手法を上回る性能を達成した。

詳しい要約

1. どんなもの?

- 車車間・路車間通信(V2X)を活用した自動運転(V2X-AD)のためのエンドツーエンド協調走行システム。 - 計画・制御タスクの性能を直接最適化する。 - MotionNetworkで時系列情報を融合し、attentionで空間特徴を圧縮、autoregressive decoderで適応的にマルチエージェント特徴を融合。 - Mixture-of-Experts (MoE) で異種特徴の表現力を強化。

2. 先行研究と比べてどこがすごい?

- 既存の協調知覚手法はモジュールレベルの知覚能力のみを最適化し、最終的な計画・制御タスクに効果的に寄与していなかった。 - 提案手法は計画タスク性能を直接最適化するエンドツーエンドシステム。 - 閉ループ評価でdriving score 79.72を達成し、state-of-the-artのCoDrivingベースライン(77.15)を3.33%上回る。 - 通信効率を維持しながら性能向上を実現。

3. 技術・手法の肝は?

- MotionNetworkで歴史的時系列情報を融合。 - attention機構で空間特徴をコンパクトなトークンに効率的に圧縮。 - autoregressive decoderでマルチエージェント特徴を適応的に融合。 - Mixture-of-Experts (MoE) アーキテクチャを導入し、異種特徴に対するモデルの表現能力を向上。

4. どうやって有効だと検証した?

- 閉ループ評価を実施。 - 提案手法のdriving scoreは79.72。 - 最先端のCoDrivingベースライン(77.15)と比較して3.33%の改善を確認。 - 通信効率を維持していることも検証。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- CoDriving(要旨で比較されているベースライン) - 関連手法として、V2X-AD、協調知覚、end-to-end driving、Mixture-of-Experts (MoE)、autoregressive decoder、attention mechanism などが挙げられる。

※ 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: Nuoran Li, Zhang Zhang, Yueran Zhao, Tianze Wang, Chao Sun

分類: cs.RO

原文アブストラクト

Vehicle-to-everything-aided autonomous driving (V2X-AD) significantly enhances driving performance through information sharing. However, existing collaborative perception methods only optimize module-level perception capabilities and fail to effectively serve the ultimate planning and control tasks. We propose an end-to-end collaborative driving system that directly optimizes planning task performance. The system employs MotionNetwork to fuse historical temporal information, utilizes attention mechanisms to efficiently compress spatial features into compact tokens, and adaptively fuses multi-agent features through an autoregressive decoder. Additionally, we introduce Mixture-of-Experts (MoE) architecture to enhance the model's representation capacity for heterogeneous features. Experiments demonstrate that our method achieves a driving score of 79.72, surpassing the state-of-the-art CoDriving baseline (77.15) by 3.33% in closed-loop evaluation while maintaining communication efficiency.

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. 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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI