MomADv2: エンドツーエンド自動運転のための信頼性の高い時間的記憶

MomADv2は、長期的な計画（long-horizon planning）を必要とする自動運転のために設計された、信頼性の高い状態空間メモリフレームワークです。運転コマンドが変更された際に、過去のメモリが無効になり意思決定を誤らせる問題に対処します。Selective State-Space Planning Memory Query ModuleとFlow-Matching Trajectory Residual Refinerの2つの主要コンポーネントから構成され、時間的一貫性とコマンド整合性に基づいて履歴をフィルタリングし、軌道の微細な修正を行います。

先行研究では、時間的メモリを用いて計画の連続性を改善していましたが、運転コマンドが変わったときにメモリが無効になり、誤った決定を引き起こす可能性がありました。MomADv2は、コマンドと矛盾するメモリを抑制し、現在のコマンドに関連する計画モードを選択することで、この問題を解決します。また、Flow-Matching Trajectory Residual Refinerにより、局所的な軌道逸脱と誤差蓄積を軽減し、アンカーベースの計画の安定性を保ちながら微細な軌道修正を実現します。

手法の核心は、Selective State-Space Planning Memory Query Moduleです。これは、時間的連続性とコマンド整合性に基づいて履歴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し、選択的状態空間メカニズムを通じて計画意図の進化をモデル化します。さらに、Flow-Matching Trajectory Residual Refinerは、洗練された計画出力からエキスパート軌道への連続的な残差補正場を学習し、アンカーベースの計画の安定性を維持しながら軌道を微調整します。

閉ループのNAVSIMとBench2Drive、および開ループのnuScenesで広範な実験を行いました。その結果、MomADv2は長期的な計画の一貫性を改善し、6秒計画においてMomADと比較して平均衝突率を15.6%削減しました。

要旨からは、提案手法の限界や潜在的な欠点についての議論は不明です。ただし、長期的な計画における誤差蓄積の問題に対処しているものの、複雑な交通状況や予期しないイベントに対する頑健性など、さらなる検証が必要かもしれません。

要旨で参照されているMomAD（MomADv2の前身）や、関連する状態空間モデル（State Space Model）を用いた研究、Flow Matchingを用いた軌道生成の研究、およびエンドツーエンド自動運転の計画に関する一般的な研究（例：UniAD、VAD）が挙げられます。