何が起きたか
arXiv掲載論文「DriftingPlanner」は、エンドツーエンド自動運転の軌道計画に、1ステップで出力する生成モデルを提案した。論文によると、NAVSIM navtestで93.75 PDMSに達し、拡散モデルまたはフローマッチングの最良設定との差は0.13 PDMS以内だった。比較対象の設定は推論に10ステップを要する。
詳細
提案手法は、生成軌道と正解軌道の間に生じる引力・反発の場を学習に使う「drifting loss」のみで訓練し、座標回帰項を加えない。シーンごとに場を計算するため正解軌道は各シーンに1つとなり、生成軌道同士の反発によって正解軌道の周囲に軌道が分布する。 推論時にはこの分布の殻を取り除くため、ノイズベクトルとその反対符号を同じバッチで処理し、各ペアの出力を平均する。論文は、この反平均によって殻の中心からの変位の線形成分を相殺すると説明している。
Key Facts
| 論文「DriftingPlanner: Drifting Generative Models for One-Step Trajectory Planning in End-to-End Autonomous Driving」の掲載日は2026-10-31。 | [1] |
| NAVSIM navtestで93.75 PDMSに達したと論文は報告している。 | [1] |
| 1ステップ推論のDriftingPlannerは、推論10ステップを要する拡散モデルまたはフローマッチングの最良設定に0.13 PDMS以内まで近づいた。 | [1] |
| DriftingPlannerはdrifting lossのみで訓練し、座標回帰項を使わない。 | [1] |
| 推論ではノイズベクトルとその反対符号を同時に処理し、出力をペアごとに平均する。 | [1] |
本紙の見方
この手法の中心は、生成モデルを使う軌道計画で推論時に反復する構成を、学習時の軌道分布の扱いに移した点にある。論文が挙げる従来方式では、座標回帰は速い一方、複数の妥当な運転行動を平均した結果、どの行動にも沿わない軌道になり得る。拡散モデルやフローマッチングは分布を扱うが、複数回の推論を必要とする。DriftingPlannerはこの二つの課題に対し、単一ステップの生成と、シーンごとに設計した引力・反発の学習を組み合わせた。 技術上の要点は、クラス条件付き画像生成とは異なり、計画では各シーンが個別の条件となることだ。複数シーンの正解軌道をまとめて場を作れば、あるシーンの生成軌道が別のシーンの正解へ引かれる可能性がある。そこで論文は場をシーン単位で計算する。ただし、正解が各シーンに1つしかないため、反発は生成軌道を正解軌道の周囲の殻に保つ。推論時にノイズと反対符号のペアを平均する処理は、この殻から中心へ戻すための設計であり、単に推論回数を減らすだけの変更ではない。 評価値は、この設計がベンチマーク上で有効に働く可能性を示す。NAVSIM navtestの93.75 PDMSに加え、1ステップで10ステップ設定との差を0.13 PDMS以内にしたという報告は、推論段数とスコアの両立を比較する材料になる。一方、これは論文が示すベンチマーク結果であり、車載計算機上の遅延や消費電力、実環境での安全性を示すものではない。また、推論ステップ数の差だけから処理時間や計算量の削減幅を推定することもできない。 今後の検討点は、シーンごとに正解軌道が1つという設定が、分岐する道路状況や複数の適切な運転選択をどこまで表現できるかである。さらに、学習データの範囲外の状況、軌道の安全制約、実車での計算負荷について、提示された記述からは判断できない。93.75 PDMSという評価を実運用上の性能と同一視せず、ベンチマーク条件と実装条件を分けて確認する必要がある。
なぜ重要か
論文の結果は、推論10ステップを要する拡散モデルまたはフローマッチングの設定と、1ステップ方式の性能差をNAVSIM navtest上で比較する具体的な材料となる。実際の車載適用を判断するには、ベンチマークスコアだけでなく、計算機上の遅延や安全性の検証が別途必要である。