計画器別の危険シーン生成で自動運転モデルの衝突率を約半減

何が起きたか

arXiv掲載論文「Model-Aware Generation of Safety-Critical Scenes for Robust End-to-End Driving via Distilled Planner Surrogates」は、計画器ごとに危険シーンと安全な回避軌道を生成し、運転モデルの微調整に使う手法を示した。NeuroNCAPでSparseDriveの閉ループ衝突率は28.0%から12.2%に、DiffusionDriveは37.5%から19.2%に低下したと報告している。

詳細

手法では、各計画器の計画ヘッドから蒸留した微分可能な代理モデルを使い、鳥瞰図（BEV）レベルで攻撃シーンを生成する。動画レンダラーを攻撃ループから外し、計画器ごとに50シーンを抽出する。各シーンは攻撃と安全な回避軌道を組み合わせ、回避軌道を微調整時のラベルにする。 攻撃シーンと回避軌道の多様性は、自動化された品質多様性探索で生成する。学習用にレンダリングするのは抽出したシーンのみで、論文は計算コストを大幅に削減すると説明している。微調整後も通常走行の性能はおおむね維持されたという。

Key Facts

本紙の見方

本研究の軸は、危険シーンを増やすことだけではなく、対象の計画器に合わせて学習例を組み立てる点にある。論文の失敗分析では、DiffusionDriveの衝突の95.9%が計画段階に分類された。これを受け、認識器のデータを一律に増やすのではなく、計画ヘッドから蒸留した代理モデルでBEV上の攻撃を作り、同時に安全な回避軌道をラベルとして用意する構成を取る。問題の特定から教師データの生成までを計画器に結び付けている。 計算面では、動画レンダラーを攻撃探索の反復から外し、選んだ50シーンだけをレンダリングする。これは、探索を軽くする部分と、学習用の映像を作る部分を分ける設計と読める。ただし、論文要旨は「計算コストを大幅に削減」と述べるものの、削減率や実行時間の数値は示していない。したがって、手法間の計算効率を定量比較できる情報は、この要旨からは限られる。 結果の読み方にも計画器固有の条件が表れている。SparseDriveとDiffusionDriveの衝突率はそれぞれ低下した一方、DiffusionDriveをSparseDrive向けのシーンで微調整した際の低減幅は、DiffusionDrive向けシーンで得た18.3ポイントのうち6.7ポイントにとどまった。学習データの効果が別モデルへそのまま移るとは限らず、モデル更新のたびにシーン生成をやり直す必要があるかが、実用化時の検討事項になりうる。 一方、報告された評価はNeuroNCAP上の2つの計画器に関するものだ。通常走行性能は「おおむね維持」とされるが、その指標や変化幅は要旨に記載されていない。今後は、異なる評価環境での再現性、生成シーンの種類とカバレッジ、通常走行性能を測る具体的な指標、シーン生成とレンダリングを含む総計算量を確認する必要がある。現段階では、閉ループ衝突率の改善は示された一方、実環境への一般化や運用コストまで確認されたとはいえない。

なぜ重要か

論文は、NeuroNCAPで2つの計画器の閉ループ衝突率が低下した一方、別の計画器向けに生成したシーンでは転用効果が小さくなる結果も示した。自動運転モデルの開発では、危険シーンの量だけでなく、対象モデルに合った学習データの生成と、その効果が別モデルへ移る範囲が検討課題となる。