計画指向のエンドツーエンド自動運転：アーキテクチャ、評価、そして新たなパラダイム

本論文は、エンドツーエンド自動運転の分野における、カメラから制御への単純な回帰から、構造化表現・軌道レベル出力・現実的な評価プロトコルを用いたプランニング指向システムへの移行を概観するサーベイである。Behavior Cloning、Conditional Imitation Learning、Privileged Distillation、BEV・Vectorized Planning、統合Perception-Prediction-Planningアーキテクチャ、World-Modelベースのプランナー、Vision-Language-Actionシステムをレビューし、現代のエンドツーエンド運転の本質的な違いは中間表現の有無ではなく、それらが安全・実現可能・経路準拠のプランニングを支援するために学習・教師・評価されているかどうかにあると論じる。既存手法を入力表現、プランニング出力、教師信号、評価プロトコルの4軸で整理し、ベンチマークのオープンループ軌跡マッチングからクローズドループシミュレーション、非反応型実ログ評価、ロングテールテスト、人間の好みを考慮したメトリクスへの移行を検討…

従来のサーベイがアーキテクチャの分類や個別タスクの性能比較に焦点を当てることが多かったのに対し、本サーベイはプランニング指向の視点からエンドツーエンドシステムを再構成し、中間表現の役割を再評価している点が新しい。特に、オープンループの変位ベースメトリクスだけでは安全で人間に合致した運転の証拠として不十分であると指摘し、ベンチマーク一貫性のない評価ではアーキテクチャの進歩を解釈できないと強調する。また、評価プロトコルの変遷を体系的に整理し、クローズドループ評価や人間の嗜好を考慮したメトリクスの重要性を提起している点で、従来の手法比較を超えた貢献がある。

手法の肝は、既存のエンドツーエンド自動運転手法を4つの軸（入力表現、プランニング出力、教師信号、評価プロトコル）で分類する枠組みを提案している点にある。入力表現ではカメラ画像、BEV、ベクトル化表現などを、プランニング出力では軌道点列やアクションなどを、教師信号では模倣学習、強化学習、蒸留などを、評価プロトコルではオープンループとクローズドループを区別する。さらに、ベンチマークの移行として、オープンループ軌跡マッチングからクローズドループシミュレーション、非反応型実ログ評価、ロングテールテスト、人間の好みを考慮したメトリクスへの変化を分析し、これらの評価方法がシステムの安全性や人間らしさをどの程度反映するかを議論している。

要旨からは、本サーベイが具体的な実験やデータセットによる検証を行ったかは不明である。サーベイ論文であるため、既存研究の結果を統合し、ベンチマークの傾向を分析することで有効性を主張していると考えられるが、具体的な検証方法は要旨に記載されていない。

議論としては、オープンループの変位ベースメトリクスは安全で人間に合致した運転の証拠として限定的であると指摘し、ベンチマーク一貫性のない評価がアーキテクチャの進歩の解釈を困難にしていると論じている。また、不確実性を考慮したプランニング、学習者と専門家のミスマッチ、実行時の安全性保証、言語と行動の接地、ワールドモデルの検証、再現可能なベンチマークといった未解決の課題を挙げている。これらの課題は、今後の研究の方向性を示すものであり、議論の余地がある。

要旨で参照・比較されている研究として、Behavior Cloning、Conditional Imitation Learning、Privileged Distillation、BEV・Vectorized Planning、統合Perception-Prediction-Planningアーキテクチャ、World-Modelベースのプランナー、Vision-Language-Actionシステムが挙げられる。具体的な論文名は要旨にないため、これらの手法を代表する論文（例：Conditional Imitation Learningの古典的論文や、BEVプランニングの代表的研究）を読むことが推奨される。