车辆運動モデルを用いたエンド・トゥ・エンド自律運転におけるウェイポイントとアクション間のギャップの解決

arXiv:2602.06214v2 Announce Type: replace 要約：エンド・トゥ・エンド自律運転 (E2E-AD) システムは、出力の性質に基づいて通常 2 つのグループに分類されます：(i) 未来の経路を予測するウェイポイントベースのモデル，および (ii) ガス、ブレーキ、ステアを直接出力するアクションベースのモデル。最新のベンチマークプロトコルとトレーニングパイプラインはほとんどウェイポイントベースであり、これによりアクションベースのポリシーが訓練および比較が難しく、その進歩が妨げられています。このウェイポイントとアクションのギャップを埋めるため、我々は予測されたアクションシーケンスを自己参照系のウェイポイント経路にロールアウトし、かつウェイポイント空間において上級化を行う、新しい微分可能な車輛モデルフレームワークを提案しました。我々のアプローチは、基礎となる評価プロトコルを変更せずに、初の試みとしてウェイポイントベースのベンチマーク内でのアクションベースのアーキテクチャを訓練および評価を可能にします。我々は我々のフレームワークを複数の課題のベンチマークにわたって広範に評価し、ベースラインに対する一貫した改善を確認しました。特に、NAVSIM exttt{navhard} では我々のアプローチが最先端のパフォーマンスを達成しました。我々のコードは承認後公開されます。

arXiv:2602.06214v2 Announce Type: replace Abstract: End-to-End Autonomous Driving (E2E-AD) systems are typically grouped by the nature of their outputs: (i) waypoint-based models that predict a future trajectory, and (ii) action-based models that directly output throttle, steer and brake. Most recent benchmark protocols and training pipelines are waypoint-based, which makes action-based policies harder to train and compare, slowing their progress. To bridge this waypoint-action gap, we propose a novel, differentiable vehicle-model framework that rolls out predicted action sequences to their corresponding ego-frame waypoint trajectories while supervising in waypoint space. Our approach enables action-based architectures to be trained and evaluated, for the first time, within waypoint-based benchmarks without modifying the underlying evaluation protocol. We extensively evaluate our framework across multiple challenging benchmarks and observe consistent improvements over the baselines. In particular, on NAVSIM \texttt{navhard} our approach achieves state-of-the-art performance. Our code will be made publicly available upon acceptance.