Waymo、圧縮表現空間での動作計画を提案 検索と生成学習を統合する新フレームワーク

何が起きたか

Waymoは2026年6月29日、動作計画のための新しい生成フレームワークを提案した。この手法は、高圧縮率のオートエンコーダを学習し、階層的に順序付けられた離散値トークンの潜在空間を獲得する。次に、この潜在空間内で直接検索を行うことで動作計画を実現する。評価はnuPlanとWaymo Open Motion Datasetで行われ、閉ループ動作計画とマルチエージェント誘導シナリオ合成において、タスク固有の学習を必要とせずに強い性能を示した。

詳細

提案手法は、まず高圧縮率のオートエンコーダを学習し、階層的に順序付けられた離散値トークンの潜在空間を獲得する。このオートエンコーダの次元削減と階層的な粗密構造を活用し、トークンの潜在空間内で直接検索することで動作計画を行う。検索はテスト時に指定される任意の目的関数を最適化でき、柔軟性を保ちながら効率性を維持し、高圧縮オートエンコーダの生成能力により現実的な解を生成する。評価にはnuPlanとWaymo Open Motion Datasetを使用し、閉ループ動作計画とマルチエージェント誘導シナリオ合成のタスクで性能を確認した。

Key Facts

本紙の見方

今回の提案は、動作計画における二つのパラダイム、すなわち大規模データからの学習事前分布を用いる深層学習手法と、探索や最適化に基づくモデルベースの計画アルゴリズムを統合する試みである。深層学習は複雑な操作や自動運転のナビゲーションに必要な高度な行動を捉える一方、モデルベースの計画は柔軟性、効率性、専門家設計のアルゴリズムや目的関数によるドメイン知識の組み込みが可能である。本手法は、高圧縮オートエンコーダの生成能力を活用しつつ、潜在空間での探索により任意の目的関数を最適化できる点で、両者の利点を併せ持つ。 本紙の過去報道では、Waymoがロボタクシー向けにTSMC 5nmプロセスで1000TOPS超のカスタムASICチップを開発し、1両に2つ搭載することを報じた。また、160億ドルの調達で評価額1260億ドルとなり、2026年に20都市超へ拡大する計画も伝えた。今回の動作計画フレームワークは、こうしたハードウェア基盤と都市拡大の戦略に接続する。ASICチップによる計算資源の強化は、潜在空間探索のような計算負荷の高い手法を実車で実行するための基盤となり得る。また、20都市超への拡大は、多様な交通環境での動作計画の需要を高め、データ駆動型の学習とモデルベースの柔軟性を統合する本手法の実用性を試す場となる。 業界構造への含意として、本手法は動作計画の計算効率と柔軟性を両立させる可能性がある。従来の深層学習ベースのプランナーはタスク固有の学習が必要で、新しいシナリオへの適応にコストがかかる。一方、モデルベースの手法はドメイン知識を組み込めるが、複雑な環境での性能に限界があった。本手法は、潜在空間での探索により、テスト時に目的関数を変更できるため、異なる都市や交通ルールへの適応が容易になる可能性がある。これは、Waymoが複数都市でサービスを展開する際の競争力に寄与する。 未確定の論点として、論文では具体的な計算コストや実車での実行時間、既存手法との定量的な比較が明示されていない。また、潜在空間の階層構造がどのように学習されるか、その解釈可能性や安全性への影響も今後の検証が待たれる。さらに、このフレームワークがWaymoの実運用システムに組み込まれるかどうかは、論文からは不明である。

なぜ重要か

この研究は、動作計画における学習と検索の統合という新たな方向性を示すものであり、自動運転のスケーラビリティと適応性に影響を与える可能性がある。Waymoが複数都市でサービスを拡大する中で、タスク固有の学習を必要としない柔軟な計画手法は、コスト削減と展開速度の向上に寄与し得る。