FY26W18 自動車論文まとめ

一言概要: 指示追従・物体探索・目標追跡・自動運転といった複数タスクを、外部から再構成可能な単一のスケーラブルなナビゲーション基盤モデルで切り替えて処理する。

背景・目的: 指示追従・物体探索・目標追跡・自動運転はいずれも同じ知覚計画バックボーンを共有しつつ、視覚情報の使い方が根本的に異なるため、推論時に観測戦略を外部から再構成できる基盤モデルが求められていた。従来はタスクごとに専用のアーキテクチャ変更が必要になりがちだった。

提案手法: タスクモードと観測パラメータ(トークン予算、カメラごとの重み等)を外部から指定できるパラメータ化インターフェースを導入し、学習時に全パラメータをランダム化することでどの推論時設定にも頑健にした。1560万サンプルで学習し、視覚言語データとの共学習により軌道のみの学習で起きがちな反応的な行動列への退化を防いだ。

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へのパラメータ拡大に伴う性能向上も確認した。マルチタスク学習によりタスク間で転移可能な空間計画の共有表現が形成され、実世界ロボットへのゼロショット汎化も示された。

一言概要: 高解像度センサ群と完全なHDマップを備えた欧州発の自動運転向けマルチモーダルデータセットKITScenesを構築し、4つの新ベンチマークを提示する。

背景・目的: 既存の自動運転データセットはセンサ精度・地図の網羅性・地理的多様性のいずれかに課題を抱えていた。KITScenesはこれらを補うため、不規則な街路や混在交通が多い欧州都市で収録された高忠実度データセットとして提案された。

提案手法: 高解像度グローバルシャッターカメラ、400m超の長距離LiDAR、4Dイメージングレーダー、冗長なGNSS/INS測位を完全同期させたセンサ群と、信号機まで3Dで再投影精度良くマッピングしたHDマップを構築した。オープンソースソフトウェアによる自動運転試験でも検証している。

結果: オンラインHDマップ構築、長距離深度推定、新規視点合成、end-to-end運転という4つのベンチマークを新たに提示し、既存データセットに欠けていた地理的多様性とセンサ精度を補うデータセットとして機能することを確認した。

一言概要: リアリズムに偏りがちな既存手法に対し、多様性も同時に追求するエージェント種別対応のフローマッチング型交通シミュレータFlow-ERDを提案する。

背景・目的: 自動運転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の多くはリアリズムを主に評価対象としており、それを最適化した手法では多様性の確保が後回しにされてきたという課題があった。

提案手法: エージェント種別ごとの運動特性を保ちながら多様性を維持するAgent-Type Aware Flow Matching(AFM)を土台とし、エントロピー正則化蒸留(ERD)により閉ループでのロールアウト分布を微調整して高密度モードへの収束を防いだ。

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両方でFlow-ERDを評価し、WOSACテストベンチマークで首位を獲得した。再現可能なベースライン群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結果となった。

一言概要: 動画に加えて経路の言語的説明も扱えるようにした、軌道情報を考慮するクロスビュー地理位置推定の新フレームワークTrajLocを提案する。

背景・目的: 地上観測と衛星画像の照合(クロスビュー地理位置推定)では、動画クリップのような逐次クエリが単一画像より豊かな時空間手がかりを与えると分かってきた一方、無人運転車を目的地へ案内する経路説明のような、より抽象的なもう一つの逐次モダリティは見落とされてきた。

提案手法: 動画・テキスト・衛星画像の三つ組からなる新データセットSeqGeo-VLと、動画・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。軌道の幾何情報でクエリ埋め込みを条件付けする軽量モジュールTrajModも導入し、密な視覚情報と抽象的な言語情報を相互に補強させた。

結果: 動画・テキストいずれを用いた地理位置推定タスクにおいても、TrajLocは既存の最先端手法を大きく上回る性能向上を達成し、2つのモダリティを組み合わせる設計の有効性と、軌道幾何を条件付けするTrajModの寄与を確認した。

一言概要: 対話しながら規制準拠のテストシナリオスクリプトを反復的に生成できる、検索拡張生成ベースのフレームワークChat2Scenicを提案する。

背景・目的: 自動運転システムの検証には多様で規制に準拠したテストシナリオが必要だが、規制文書からシナリオスクリプトを自動生成する既存手法は、検索組立方式のスケーラビリティ不足か、全文生成方式のコンパイル成功率の低さという構造的なトレードオフを抱えていた。

提案手法: チャットボット形式でシナリオを対話的に改良できるインターフェースを提供し、検索拡張生成(RAG)によりNHTSAや国連車両規則などの規制知識とドメイン特化言語(DSL)の構文にシナリオ生成を根拠付けた。123件のシナリオからなる評価用ベンチマークも新たに公開している。

結果: 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、検索組立方式(30.08%/11.03%)や検索型全文生成方式(16.26%/10.86%)を大きく上回る性能を示し、対話的な改良インターフェースの有効性も裏付けられた。

一言概要: 実世界のロングテール運転映像を、視点補完によって学習可能なマルチビューデータへ変換する生成的データエンジンOpenLongTailを提案する。

背景・目的: 自動運転ポリシーの頑健性向上はエッジケースデータの不足がボトルネックとなっている。実世界で継続的に集まる多様なロングテール映像も、単眼ダッシュカメラ由来などマルチビュー情報を欠くため、学習データとして十分に活用しきれていなかった。

提案手法: 姿勢情報をもとに欠けている視点を外挿生成するパイプラインを構築し、Plücker光線幾何を生成モデルに組み込むことでクロスビューの一貫性と時間的整合性を強化した。異種のデータソースを視点整合・時間整合したマルチビュー資産へと変換する。

結果: 異種のロングテールデータを合成することで、ロングテールイベント対応時の閉ループ運転の頑健性が大きく改善したことを確認した。視点合成の忠実度・クロスビュー一貫性・自車軌道復元の各指標でも有効性を検証している。

一言概要: 未来の視覚状態と自車行動を離散トークンとして統一表現し、反実仮想的な推論も可能にする自動運転向け世界方策モデルDiscrete-WAMを提案する。

背景・目的: 自動運転のend-to-end手法の多くは状態から行動への直接マッピングに頼り、行動が周囲の世界に与える因果的な影響を明示的にモデル化できていなかった。一方で連続潜在表現による世界モデルは、反実仮想的な未来にまたがる構成的推論の構造を欠いていた。

提案手法: 未来の視覚状態と自車行動を整合した離散トークンとして表現し、共有の離散拡散フレームワーク上で世界モデリング・世界行動方策・階層的意思決定方策を統一的に定式化した。多様な運転シナリオへの構成的な汎化を支える設計になっている。

結果: 大規模自動運転ベンチマークにおいて競争力のある性能を達成し、制御可能な生成と反実仮想推論を両立できることを示した。世界モデリング・世界行動方策・階層的意思決定方策を統一的に扱えることが、より信頼性の高い意思決定への道筋になるとしている。