MomADv2、6秒計画で衝突率15.6%低減 状態空間メモリで長期計画の信頼性向上

何が起きたか

自動運転のエンドツーエンド計画向けフレームワーク「MomADv2」が、2026年8月24日にarXivで公開された。提案手法は、状態空間メモリを用いて運転コマンドと整合する履歴情報のみを選択的に活用し、フローマッチングによる軌道残差補正で長期計画の誤差蓄積を軽減する。クローズドループ評価(NAVSIM、Bench2Drive)とオープンループ評価(nuScenes)で、6秒計画時の平均衝突率を従来のMomAD比で15.6%低減したと報告している。

詳細

MomADv2は、選択的状態空間計画メモリクエリモジュール(Selective State-Space Planning Memory Query Module)を中核とし、時間的連続性とコマンド整合性に基づいて過去の計画クエリをフィルタリングし、現在のコマンドに関連する計画モードを選択する。さらに、フローマッチング軌道残差リファイナ(Flow-Matching Trajectory Residual Refiner)が、洗練された計画出力から専門家軌道への連続的な残差補正場を学習し、アンカーベース計画の安定性を保ちつつ細かい軌道補正を実現する。実験はクローズドループのNAVSIMとBench2Drive、オープンループのnuScenesで実施され、6秒計画における平均衝突率をMomAD比で15.6%低減した。

Key Facts

本紙の見方

MomADv2の核心は、長期計画における「記憶の信頼性」を状態空間モデルで制御する点にある。従来の時間的メモリは連続性を高める一方、運転コマンドの変更後も過去の情報を引きずり、誤った意思決定を招くリスクがあった。MomADv2は、コマンド整合性をフィルタ条件に加えることで、この問題を構造的に解決しようとする。これは、単に記憶の長さを延ばすのではなく、記憶の「質」を選択するというアプローチであり、長期計画の信頼性向上に寄与する。 技術的には、フローマッチングによる残差補正が興味深い。アンカーベース計画の安定性を保ちながら、連続的な残差場を学習することで、局所的な軌道逸脱と誤差蓄積を軽減する。これは、生成モデルの一種であるフローマッチングを軌道補正に応用したもので、計画の精度と安定性の両立を狙う。 業界への含意として、エンドツーエンド自動運転の計画モジュールは、シミュレーションと実世界のギャップが課題となる。MomADv2のクローズドループ評価での衝突率低減は、シミュレーション環境での有効性を示すが、実車適用にはさらなる検証が必要である。また、状態空間モデルは計算効率に優れるため、車載実装への親和性が高い可能性がある。 未確定の論点として、提案手法の計算コストや、実世界の多様なシナリオでの汎化性能が挙げられる。また、衝突率の低減がどのようなシナリオで特に効果を発揮するのか、詳細な分析は公開されていない。今後の研究では、これらの点が明らかにされることが期待される。

なぜ重要か

自動運転の長期計画は、複雑なシナリオでの安全性に直結する。MomADv2は、記憶の信頼性を高めることで計画の一貫性を改善し、衝突率を低減する可能性を示した。これは、エンドツーエンド自動運転の実用化に向けた一歩となる。