FY26W22 自動車論文まとめ

一言概要: 自動運転VLMが正解の将来軌道を見て判断を後付けで正当化してしまう偏りを防ぎ、選択式の軌道評価で検証可能な推論を学習させる新手法。

背景・目的: 自動運転向けのVision-Language-Actionモデルは、思考の連鎖(CoT)による教師データで推論能力を高めているが、既存の注釈パイプラインでは教師モデルに正解の将来軌道をあらかじめ提示してしまう。そのため教師モデルはシーンの証拠から判断を導くのではなく、示された結果を後付けで正当化するようになり、因果的に妥当でないCoTや、特に判断が難しい場面での深刻な幻覚を招くことが実験的に示された。

提案手法: 正解軌道の提示をやめて自由に軌道を生成させると、高次の意思決定と精密な幾何学的生成や低次の力学が絡み合ってしまう。そこで著者らは、走行判断を明示的な軌道候補からの選択問題として定式化するAD-MCQを提案し、さらに将来軌道を判断前の手がかりではなく判断後の検証対象として扱う強化学習手法DEFT-RLVRを導入することで、開かれた軌道生成なしに判断の検証可能性を確保した。

結果: 実験の結果、DEFT-RLVRは汎用的な視覚理解能力を維持ないし向上させながら、自動運転における推論性能を改善することが示された。AD-MCQは推論時にVLM単体で動作し、候補の構成によって難易度を制御できるため、検証可能な自動運転の推論研究に向けた柔軟で拡張性・発展性の高い基盤になるとしている。

一言概要: 動画生成モデルを学習時の教師信号としてのみ用いることで、推論時は将来映像を予測せず高速に走行計画を出せる世界行動モデルSimWAMを提案した。

背景・目的: 従来のWorld-Action Model(WAM)は動画生成の持つ力学の事前知識を行動予測に活かして自動運転の性能を高めてきたが、推論時にも将来フレームの生成が必要でコストが大きいという課題があった。動画生成能力を保ちながら推論を軽量化する方法が求められていた。

提案手法: SimWAMは、事前学習済みの動画エキスパートと軽量な行動エキスパートをフローマッチングで共同学習し、動画生成は学習時の信号としてのみ用いる。行動予測が将来フレームに依存しないよう注意機構を分離しているため、学習後は動画分岐を破棄でき、軌道を直接予測する自己完結型のプランナーとして動作する。さらに軌道模倣を超えた複合的な走行報酬を強化学習で最適化する。

結果: SimWAMはNAVSIMでPDMS 91.5を達成し、既存のWAMベースのプランナーを大幅に低いレイテンシで上回った。さらにnuScenesへのゼロショット転移にも成功しており、動画生成技術の進歩を効率的な自動運転にそのまま活かせる、シンプルながら堅実なベースラインになり得ることを示した。

一言概要: 指示追従・物体探索・追跡・自動運転など複数のナビゲーション課題を、推論時に設定を切り替え可能な単一モデルで統一的に扱う汎用ナビゲーションモデルQwen-RobotNav。

背景・目的: エージェント型のナビゲーションシステムでは、指示追従・物体探索・対象追跡・自動運転が同じ知覚計画のバックボーンを共有しつつも、視覚情報の扱い方に全く異なる戦略を要求する。そのため、推論時に観測戦略を外部から柔軟に再構成できる基盤ナビゲーションモデルが必要とされていた。

提案手法: Qwen-RobotNavは、ナビゲーション挙動を選ぶ複数のタスクモードと、トークン予算やカメラごとの重みなど視覚履歴のエンコード方法を制御するパラメータという二軸を持つインターフェースを導入し、学習時にこれらを網羅的にランダム化することで、アーキテクチャを変更せずに推論時の任意の設定に頑健なモデルを実現した。1560万サンプルで学習し、視覚言語データとの共同学習で軌道のみの学習に陥る崩壊を防いだ。

結果: 主要なナビゲーションベンチマークで新たな最高性能を達成し、2Bから8Bへの良好なスケーリング性を示した。マルチタスク学習によりタスク群を横断する空間計画の共有表現が育ち、多様な環境の実世界ロボットへのゼロショット汎化も確認された。上位プランナーがタスクモードを途中で切り替えて複雑な行動を組み立てることも可能である。

一言概要: 交通シミュレーションにおいてリアリズムと多様性の両立を目指し、エージェント種別を考慮したフローマッチングと蒸留を組み合わせた手法Flow-ERDを提案した。

背景・目的: 自動運転の開発には現実的で多様な交通シミュレーションが不可欠だが、既存のベンチマークや手法の多くはリアリズムを重視するあまり多様性が軽視されてきた。現実的でありながら多様な挙動を同時に再現できるマルチエージェントシミュレータが求められていた。

提案手法: Flow-ERDは、フローマッチングの多峰性表現力とエージェント種別ごとの運動学的挙動を組み合わせたAgent-Type Aware Flow Matching(AFM)を基盤とし、種別ごとの一貫性を保ちながら細かな多様性を維持する。さらにエントロピー正則化蒸留(ERD)により、閉ループのロールアウト分布をエントロピー正則化逆KL目的関数で調整し、高密度モードへの収束を防ぎつつ分布のずれを緩和する。

結果: ログ不要の多様性指標と標準的なリアリズム指標の双方で評価した結果、Flow-ERDはWOSACテストベンチマークで首位となり、再現可能なベースラインの中でリアリズムと多様性のパレートフロンティアを支配することが示された。

一言概要: 交通規制の文書からシナリオスクリプトを対話的に生成する、検索拡張生成(RAG)ベースの自動運転シナリオ作成フレームワークChat2Scenicを提案した。

背景・目的: 自動運転システムの検証には規制に準拠した多様なテストシナリオが必要だが、規制の記述から実行可能なシナリオスクリプトを自動生成することは依然として難しい。検索・組立型は網羅性に欠け、検索型の全文生成はコンパイル成功率が低いというトレードオフが存在していた。

提案手法: Chat2Scenicは、対話的にシナリオを改良できるチャットボットインターフェースを提供し、検索拡張生成(RAG)によって規制知識とドメイン固有言語(DSL)の構文をシナリオ生成に反映させる、反復的な検索拡張フレームワークである。あわせてNHTSAや国連車両規制など複数の規制源から集めた123件のシナリオからなる評価ベンチマークも新たに提案した。

結果: 最先端の大規模言語モデルによる評価の結果、Chat2Scenicはコンパイル成功率76.42%、フレームワーク精度58.17%を達成し、検索・組立型(30.08%/11.03%)や検索型全文生成(16.26%/10.86%)を大きく上回る性能を示した。

一言概要: 地上からの映像だけでなく経路の言語による説明も活用し、地上視点と衛星画像を対応付ける軌道認識型のクロスビュー位置推定手法TrajLocを提案した。

背景・目的: クロスビュー位置推定では地上からの観測と衛星画像を対応付けるが、映像クリップのような時系列入力の有用性は知られる一方、自動運転車への口頭指示のように経路を高次に要約した「経路説明」という補完的なモダリティは見過ごされてきた。両モダリティを統一的に扱う枠組みが求められていた。

提案手法: 著者らは映像・テキスト・衛星画像の3つ組からなる約3.9万件のデータセットSeqGeo-VLを構築し、映像クリップと経路説明の両方を処理できる統一フレームワークTrajLocを提案した。稠密な視覚的手がかりと抽象的な言語的意味を相互に補強させ、さらにクエリの埋め込みを軌道の幾何構造で条件づける軽量モジュールTrajModにより空間を意識した表現を得る。

結果: 実験により、TrajLocは映像・テキストいずれによる地理的位置推定でも既存の最先端手法を大きく上回る性能向上を達成した。経路の言語説明のみからでも精度の高いクロスビュー対応が可能であることが示され、自動運転への応用可能性が確認された。

一言概要: 多視点情報が欠けたダッシュカム等のロングテール走行動画から、生成モデルで欠けた視点を補い学習データへ変換する生成データエンジンOpenLongTailを提案した。

背景・目的: 頑健な走行方策の学習は、キュレーションされたデータセットにおけるエッジケース(ロングテール事象)の不足がボトルネックとなっている。実世界には多様で貴重なロングテール映像が存在するが、多くはダッシュカムなど単眼のみで多視点情報を欠いており、方策学習用のデータへ変換できずにいた。

提案手法: OpenLongTailは、異種のデータ源を視点整合的かつ時間的に一貫した多視点データへ変換するオープンソースの生成データエンジンである。姿勢情報を用いた外挿的な視点合成パイプラインで欠けた視点を生成し、さらにPlücker光線幾何をスケーラブルな生成エンジンに組み込むことで、新規に生成した視点間の一貫性と時間的整合性を高めている。

結果: 異種のロングテールデータを合成することで、閉ループでの走行の頑健性がロングテール事象への対応において大きく向上することが確認された。視点合成の視覚的忠実度、視点間の一貫性、自己軌道の復元精度の各指標でもOpenLongTailの有効性が検証された。