何が起きたか
2026年8月16日、arXivにプレプリント論文「Not All History Helps: Velocity-Aware Selective Memory for Long-Horizon End-to-End Autonomous Driving」が公開された。論文は、長区間のエンドツーエンド自動運転向けの新手法「StableDrive」を提案し、nuScenesデータセットのMomAD評価プロトコルで、衝突率を従来最良比23.3%削減、TPCを30.9%削減、L2を11.8%削減したと報告している。
詳細
StableDriveは、長区間の計画における信頼性を向上させるため、2つの主要コンポーネントを導入する。Selective Momentum Memory (SMM)は、Mambaの選択的状態空間演算子を用いて、前サイクルの自己予測計画状態が現在のサイクルに与える影響を制御する。Motion-Stage Training Scaffold (MSTS)は、運動段階・長区間軌道・縦方向運動の監視を用いて段階認識の将来運動学習を導き、推論時には除去される。また、アーキテクチャ整合性のある2つのエンドポイント間の中間パラメータを固定することで、モデルアンサンブルや追加の推論時計算なしに単一の展開可能なSMMプランナーを実現する。評価では、nuScenesのMomADプロトコルで1〜6秒の全計画指標でSOTAを達成し、LT-nuScenesでは6秒衝突率を23.81%削減、NAVSIM v1/v2では全3設定で最高PDMS/EPDMSを記録した。
Key Facts
| StableDriveは、nuScenesのMomAD評価プロトコルで、衝突率を従来最良比23.3%削減、TPCを30.9%削減、L2を11.8%削減したと報告している。 | [1] |
| Selective Momentum Memory (SMM)は、Mambaの選択的状態空間演算子を用いて、前サイクルの自己予測計画状態の影響を制御する。 | [1] |
| Motion-Stage Training Scaffold (MSTS)は、運動段階・長区間軌道・縦方向運動の監視を用いて段階認識の将来運動学習を導き、推論時には除去される。 | [1] |
| 固定パラメータの中間点を用いることで、モデルアンサンブルや追加の推論時計算なしに単一の展開可能なSMMプランナーを実現する。 | [1] |
| LT-nuScenesでは6秒衝突率を23.81%削減、NAVSIM v1/v2では全3設定で最高PDMS/EPDMSを達成した。 | [1] |
本紙の見方
今回のStableDriveは、長区間のエンドツーエンド自動運転における計画の信頼性という課題に取り組んだ点で新規性がある。従来手法は過去の計画状態を時間的文脈として用いるが、自己生成された履歴が古くなったり現在の運動段階と矛盾したりする問題があった。StableDriveは、Mambaの選択的状態空間演算子を用いたSMMで履歴の影響を制御し、MSTSで運動段階の学習を補助することで、この問題に対処している。特に、推論時にMSTSを除去し、固定パラメータの中間点を用いることで、追加の計算コストなしに単一モデルで展開できる点は実用的だ。 本紙の過去報道との接続は、関連記事が提供されていないため直接の言及はできないが、エンドツーエンド自動運転の分野では、長区間の計画が依然として重要な課題であり、今回の成果はその進展を示すものと言える。 業界構造への含意としては、自動運転の計画モジュールにおいて、履歴情報の扱いが性能に大きく影響することが改めて示された。Mambaのような状態空間モデルの活用は、Transformerベースの手法に代わる選択肢として注目される。また、評価指標の改善は、実車適用に向けた信頼性向上に寄与する可能性がある。 未確定の論点としては、シミュレーション上の評価が中心であり、実環境での性能や、計算コストの詳細な比較が明らかでない点が挙げられる。また、LT-nuScenesやNAVSIMでの結果が、実際の交通状況でどの程度一般化するかは今後の検証が必要だ。
なぜ重要か
StableDriveは、長区間の自動運転計画における履歴情報の扱いを改善し、衝突率などの指標で大幅な向上を報告した。これは、エンドツーエンド自動運転の実用化に向けた信頼性向上に寄与する可能性がある。また、Mambaを用いた手法は、今後の自動運転アーキテクチャの選択肢を広げる点で重要だ。