SkyDrive: 航空交通監視による新都市での自動運転学習

SkyDriveは、ドローンによる空中交通監視映像から運転行動を学習し、新しい都市環境へ自動運転エージェントを適応させるフレームワーク。137時間の空中映像から65万の運転サンプルを抽出し、軌道プランナーとモーション予測のベンチマークを構築。車両搭載センサーによるデータ収集に代わる、スケーラブルで効率的な教師データ源を提供する。

従来の模倣学習は大量の人間運転データを必要とするが、新しい環境へのゼロショット適応は交通規則や道路構造のドメインギャップにより性能が低下する。また、都市適応には車両センサーによる現地データ収集が必要でコストが高い。SkyDriveは空中監視により複数の車両を同時に観測し、すべての車両をデータソースとして利用できるため、教師データを効率的に拡張できる点が革新的。

空中監視映像から運転サンプルを抽出するパイプラインを構築。ドローンが広い視野で多くの道路利用者を同時に観測し、各車両の運転行動を接地された教師データとして利用。137時間の映像から65万サンプルを抽出し、軌道プランナーとモーション予測のベンチマークを設計。ゼロショット実験でクロスシティのドメインギャップを評価し、限られた空中監視データ（場所あたり30分）で適応可能かを検証。

複数のモデルを用いたゼロショット実験で、クロスシティのドメインギャップが大きいことを示し、空中からの限られた教師データ（場所あたり30分）で多くのギャップが緩和されることを実証。137時間の空中映像から抽出した65万サンプルでベンチマークを構築し、軌道プランナーとモーション予測の性能を評価。

要旨からは、空中監視データの品質や、車両センサーデータとの比較、実環境での展開における課題（天候、高度、プライバシーなど）については言及されていない。また、30分の監視でどの程度の適応が可能かはモデルや都市によって異なる可能性があり、汎用性には議論の余地がある。

要旨で参照されている研究は明示されていないが、関連手法として模倣学習（imitation learning）やゼロショット適応（zero-shot adaptation）、ドメインギャップ（domain shift）に関する研究が挙げられる。具体的には、trajectory planningやmotion predictionのベンチマーク（例：nuScenes、Argoverse）や、ドローンを用いた交通監視（aerial traffic monitoring）の既存研究が関連する。