FeaXDrive：エンドツーエンド自動運転のための実現可能性を意識した軌道中心型拡散計画

arXiv cs.RO / 2026/4/15

📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、現在のエンドツーエンドの拡散ベース軌道プランナが物理的な実現可能性を十分に制約できないことが多く、その結果として幾何学的な不規則性、運動学的制約違反、および走行可能領域からの逸脱が生じると主張する。
そこで、FeaXDriveは、拡散過程における主要な対象として「クリーンな軌道」をモデル化する、実現可能性を意識した軌道中心型の拡散計画手法を提案する。
FeaXDriveは、適応的な曲率制約付き学習、リバースサンプリング中の走行可能領域ガイダンス、ならびに性能と実現可能性のバランスを取るための実現可能性を意識したGRPOのポストトレーニングにより、軌道の実現可能性を向上させる。
NAVSIMベンチマークでの実験では、従来の拡散計画手法と比較して、軌道空間における実現可能性が大幅に改善されるとともに、クローズドループ計画性能も強力であることが示される。
著者らは、軌道空間において実現可能性を明示的にモデル化することが、拡散プランナをより信頼性が高く物理的に根拠のあるものにする上で重要であるという証拠としてFeaXDriveを位置づけている。

Abstract

エンドツーエンドの拡散計画は自動運転に対して強い可能性を示している一方で、生成された軌跡の物理的実現可能性が十分に扱われていません。とりわけ、生成された軌跡は局所的な幾何学的な不整合を示したり、軌跡レベルの運動学的制約に違反したり、走行可能領域から逸脱したりする可能性があります。これは、拡散計画で一般に用いられるノイズ中心の定式化が、実現可能性がより自然に特徴づけられる軌跡空間とまだ十分に整合していないことを示しています。この問題に対処するため、我々はFeaXDriveを提案します。これは、エンドツーエンド自動運転のための、実現可能性を意識した軌跡中心（trajectory-centric）拡散計画手法です。中核となる考え方は、拡散プロセス全体を通じて、クリーンな軌跡を実現可能性に関するモデリングの統一された対象として扱うことです。この軌跡中心の定式化に基づき、FeaXDriveは、固有の幾何学的および運動学的な実現可能性を改善するための適応的な曲率制約付き学習、逆拡散サンプリング内での走行可能領域ガイダンスによる走行可能領域との整合性の強化、さらに軌跡空間の実現可能性とのバランスを取りつつ計画性能を一層向上させるための実現可能性を意識したGRPOによるポストトレーニングを統合します。NAVSIMベンチマークでの実験により、FeaXDriveは軌跡空間の実現可能性を大幅に改善しながら、強力なクローズドループ計画性能を達成することが示されました。これらの知見は、エンドツーエンドの拡散計画において軌跡空間の実現可能性を明示的にモデル化することの重要性を強調するとともに、より信頼性が高く物理的に裏付けられた自動運転プランナへの一歩を提供します。