ラベルなし運転シナリオの複雑度検出、JEPAで実現 論文発表

何が起きたか

研究チームは、ラベルなしの大規模データセットから複雑で安全上重要な運転シナリオを検出する手法を提案した。提案手法は、nuPlanミニデータセットの構造化エージェント状態データを用いて最小構成のJEPA（Joint Embedding Predictive Architecture）を訓練し、時間的予測誤差をゼロショット複雑度スコアとして使用する。評価では、無保護左折、横断歩道インタラクション、歩行者近接のシナリオに高いスコアを、車線追従や静止交通のシナリオに低いスコアを割り当てた。下流の異常検出評価では、平均適合率0.512を達成し、チャンスベースラインの0.436を上回った。

詳細

既存のアプローチは、人間のアノテーター、教師あり分類器、または手作業で設計されたルールセットに依存しており、困難なシナリオを構成するものについての事前知識を必要とする。本研究では、モデルがラベルなしでシナリオの複雑度を発見できるかどうかを問う。訓練中も評価設定でもグラウンドトゥルースラベルにアクセスせずに、モデルは複雑なシナリオに有意に高いスコアを割り当てた。 この発見は、信号の発生源を分離する4つのアブレーション実験と、平均適合率0.512（チャンスベースライン0.436）を達成した下流の異常検出評価によって検証された。結果は、自己教師あり潜在世界モデルにおける時間的予測誤差が、運転シナリオの複雑度の実用的なプロキシであることを示している。

Key Facts

なぜ重要か

この研究は、ラベルなしデータから運転シナリオの複雑度を自動的に検出する可能性を示しており、自動運転システムの安全性評価やデータセットの効率的な活用に貢献する。自己教師あり学習を用いることで、大規模データセットへの適用が容易になる。