FY26W21 自動車論文まとめ

一言概要: 自動運転VLMの思考過程学習で正解の将来軌道を先に見せてしまう方式が生むバイアスを解消し、シーン証拠に基づく検証可能な推論を実現する手法。

背景・目的: 自動運転の視覚言語モデルは思考過程(CoT)による教師データで推論力を高めているが、既存の手法は正解の将来軌道を教師モデルに先に見せてしまう。そのため教師モデルはシーン証拠から判断を導くのではなく、既知の結果を後付けで正当化してしまい、因果的に不誠実なCoTや幻覚が生じやすいという「軌道アンカリングバイアス」が生じることを実証的に示した。

提案手法: 正解軌道を隠すと今度は自由形式の軌道生成が高レベルの意思決定と低レベルの幾何学的合成を絡めてしまう問題が生じる。そこで著者らは、走行計画を提示された複数の軌道候補から選択する多肢選択問題として定式化するAD-MCQを提案し、さらに正解軌道を判断前のヒントではなく判断後の検証材料として使うDEFT-RLVRという強化学習手法を導入した。

結果: 実験の結果、DEFT-RLVRは自動運転の推論性能を改善しつつ、モデルの汎用的な視覚能力も維持ないし向上させることが示された。AD-MCQはVLMのみで推論でき、候補構成によって難易度を調整できるため、検証可能な自動運転推論研究のための柔軟でスケーラブルな基盤を提供する。

一言概要: 動画生成を学習時だけの手掛かりとして使い、推論時は軽量な行動予測だけで走行計画を行う効率的な自動運転向け世界-行動モデル。

背景・目的: 世界-行動モデル(WAM)は動画生成が持つダイナミクスの知識を行動予測に転用することでエンドツーエンドの自動運転を改善するが、既存手法は推論のたびに将来映像を生成する必要があり計算コストが大きいという課題があった。

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共同のフローマッチングで学習し、動画生成はあくまで学習時の手掛かりとしてのみ用いる。両者は注意機構のみで情報をやり取りし、パラメータを共有しないため学習後は動画分岐を捨てて行動予測だけの軽量プランナーとして動作できる。さらに強化学習で軌道模倣を超えた複合的な走行報酬も最適化する。

結果: NAVSIMベンチマークで91.5のPDMSを達成し、既存のWAMベースのプランナーを大幅に低い推論遅延で上回った。学習していないnuScenesデータセットにもゼロショットで転移できることが確認され、動画生成技術の進歩を取り込みやすい効率的な自動運転の土台となることが示された。

一言概要: 指示追従や物体探索、追跡、自動運転など複数のナビゲーション行動を1つのモデルで柔軟に切り替えられるロボット向け基盤モデル。

背景・目的: エージェント型ナビゲーションシステムでは、指示追従・物体探索・追跡・自動運転といった異なるタスクが同じ知覚計画バックボーンを共有しつつも視覚情報の取り込み方はタスクごとに大きく異なるため、推論時に観測戦略を外部から切り替えられる基盤モデルが求められていた。

提案手法: Qwen-RobotNavはナビゲーション行動を選ぶタスクモードと、トークン予算やカメラごとの重みなど視覚履歴の符号化方法を制御する観測パラメータという2軸のパラメータ化インターフェースを持つ。学習時にこれらのパラメータをランダム化することでアーキテクチャを変更せずに任意の推論時設定に対応でき、1560万サンプルでの学習と視覚言語データとの共同学習により単純な行動列予測への退化を防いでいる。

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へのパラメータ数拡大に伴う良好なスケーリングも確認された。マルチタスク・マルチ身体での共同学習によりタスク間で転移可能な空間計画の共通表現が育ち、多様な環境の実ロボットへも高いゼロショット汎化性能を示した。

一言概要: リアルさと多様性を両立させたエージェント種別考慮のフローマッチングと蒸留により交通シミュレーションの質を高める新手法Flow-ERD。

背景・目的: 自動運転開発にはリアルで多様な交通シミュレーションが欠かせないが、既存のベンチマークや手法の多くはリアルさの追求に偏っており、生成される交通シーンの多様性については十分に検討されてこなかったという課題があった。

提案手法: Flow-ERDはまずエージェント種別考慮のフローマッチング(AFM)を用い、フローマッチングが持つ多峰性の表現力と車種ごとの運動特性を両立させて細かな多様性を保ちながら不自然な動きを避ける。続いてエントロピー正則化蒸留(ERD)により、逆KLダイバージェンスにエントロピー正則化を加えた目的関数でクローズドループの挙動分布を微調整し、高頻度モードへの収束を防ぎつつ分布ずれを緩和する。

結果: ログを用いない多様性指標と標準的なリアルさの指標の両方で評価した結果、Flow-ERDはWOSACテストベンチマークで首位を獲得し、再現可能な既存手法の中でリアルさと多様性のトレードオフを示すパレートフロンティアを上回る性能を達成した。

一言概要: 走行動画だけでなく経路の文章による説明からも衛星画像上の位置を特定できる新しいクロスビュー位置推定手法TrajLocの提案。

背景・目的: クロスビュー位置推定は地上からの観測を衛星画像と照合する技術で、近年は動画のような連続した観測を使うと単一画像より高精度になることが分かってきた。しかし、同じく軌跡を抽象的に表す「経路の説明文」というモダリティは見落とされており、自動運転車に乗客が口頭で目的地を伝える場面などでは経路説明しか手掛かりが無いことも多い。

提案手法: 著者らは動画・テキスト・衛星画像の三つ組を約3.9万件集めたデータセットSeqGeo-VLを構築し、動画クリップと経路説明文の両方を扱える統一フレームワークTrajLocを提案した。さらに軽量モジュールTrajModにより、クエリの埋め込みを軌跡の幾何情報で条件付けし、空間を意識した表現を獲得できるようにしている。

結果: 実験の結果、TrajLocは動画とテキストいずれを用いた位置推定タスクでも既存の最先端手法を大きく上回る性能を達成し、視覚的な密な情報と抽象的な言語情報を組み合わせることでクロスビューの照合精度が向上することが示された。

一言概要: 各国の法規文書をもとに対話しながらシミュレーション用テストシナリオのスクリプトを生成するRAGベースの手法Chat2Scenic。

背景・目的: 自動運転システムの検証には多様で法規に準拠したテストシナリオが必要で、シミュレーションでは実行可能なスクリプトとして定義される。しかし規制文書の記述から自動でスクリプトを生成するのは難しく、既存手法は検索した部品を組み合わせる方式では拡張性に乏しく、検索結果からスクリプト全体を生成する方式ではコンパイル成功率が低いというトレードオフを抱えていた。

提案手法: Chat2Scenicは、ドメイン固有言語(DSL)によるシナリオスクリプト生成に検索拡張生成(RAG)を反復的に適用する初の枠組みで、チャットボット形式のインターフェースを通じて対話的にシナリオを洗練させながら、規制知識とDSL構文の両方に基づいて生成を行う。あわせてNHTSAや国連車両規則など123件のシナリオからなる公開ベンチマークも整備した。

結果: 最先端の大規模言語モデルを用いた評価で、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・組み立て方式(30.08%/11.03%)や検索によるスクリプト全体生成方式(16.26%/10.86%)を大きく上回る性能を示した。

一言概要: 単眼のドライブレコーダー映像などをマルチビュー化し、自動運転のレアケース学習データへと変換する生成データエンジンOpenLongTail。

背景・目的: 頑健な自動運転ポリシーの学習は、事故につながりかねないレアケース(ロングテール事象)のデータ不足がボトルネックとなっている。実世界ではこうした事象が日々撮影されているものの、単眼ドライブレコーダー映像のように学習に必要なマルチビュー情報を欠くものが多く、多様な収集元の映像を有効活用できていなかった。

提案手法: OpenLongTailは、姿勢情報をもとに視点を外挿的に合成するパイプラインにより、視点情報の揃わない異種のロングテール映像から視点が整合し時間的にも一貫したマルチビューデータを生成するオープンソースの生成データエンジンである。さらにプリュッカー光線の幾何情報を生成エンジンに組み込むことで、新規生成した視点間の一貫性と時間的な整合性を高めている。

結果: OpenLongTailで合成した異種のロングテールデータを学習に用いたところ、クローズドループでのロングテール事象への走行頑健性が大きく向上した。生成した視点の視覚的な忠実さ、視点間の一貫性、自車軌跡の復元精度を測定する評価によっても、その有効性が確認されている。