自動運転/能動学習2026/8/30arXiv:2608.29772v1

自己認識型能動学習による自動運転の継続的改善

Self-Aware Active Learning Enables Continual Improvement in Autonomous Driving

自動運転システムが稀な分布シフトや長尾イベントで失敗する問題に対し、予測世界モデルから得られる「恐怖」と「好奇心」の信号を用いて介入閾値を適応的に調整し、専門家への制御移行と模倣学習で継続的に改善する能動学習フレームワークSAGEを提案した。

詳しい要約

1. どんなもの？

本論文は、自動運転（AD）システム向けの自己認識型能動学習フレームワークであるSAGE（Self-Aware Guided Exploration）を提案している。SAGEは、予測的ワールドモデルを用いて、短期的な予測リスクとモデル不確実性を推定する「fear」と、予測誤差による新規性を測定する「curiosity」という2つのオンライン内在シグナルを生成する。curiosityはfearの介入閾値を適応的に調整し、エージェントが文脈依存でリスクを制御できるようにする。fearが適応閾値を超えると、エージェントは専門家またはフォールバックポリシーに制御を移し、そのテイクオーバー軌道を用いて焦点を絞った模倣学習を行う。また、fearはポリシー最適化と評価に安全制約として統合され、適応中の性能回帰を低減する。

2. 先行研究と比べてどこがすごい？

従来のADシステムは主に受動的経験から学習し、自身の能力不足を推定して支援を求め、安全上の重要イベントを学習に変換するメカニズムが欠如していた。SAGEは、能動学習フレームワークを導入し、自己認識（fearとcuriosity）に基づいて介入をトリガーし、テイクオーバー軌道を模倣学習に活用することで、継続的な改善を可能にする点が新しい。また、fearを安全制約としてポリシー最適化に統合することで、適応中の性能回帰を防ぐ点も独自性がある。

3. 技術・手法の肝は？

SAGEの核心は、予測的ワールドモデルから生成されるfearとcuriosityの2つの内在シグナルである。fearは短期的な予測リスクとモデル不確実性を推定し、curiosityは予測誤差による新規性を測定する。curiosityはfearの介入閾値を適応的に調整し、文脈依存のリスク制御を実現する。fearが閾値を超えると、エージェントは専門家またはフォールバックポリシーに制御を移し、そのテイクオーバー軌道を模倣学習に使用する。さらに、fearはポリシー最適化と評価に安全制約として組み込まれ、適応中の性能回帰を防ぐ。

4. どうやって有効だと検証した？

SAGEは、シミュレーションでのルート転送タスク、Waymoベースのログ運転シナリオ、CARLAのオクルージョン危険、実世界のモバイルロボットナビゲーションテストで評価された。これらの設定で、SAGEは新規および安全上の重要なシナリオでの堅牢性を向上させ、安全違反を減らし、強力なベースラインポリシーと同等のタスク性能を維持した。

5. 議論はある？

要旨からは、SAGEの限界や潜在的な欠点についての議論は不明である。ただし、fearとcuriosityの定義や閾値調整の詳細、実世界でのスケーラビリティ、専門家への依存度などが議論の対象となる可能性がある。また、適応学習がポリシーの性能に与える長期的な影響や、安全性の保証についての議論も考えられるが、要旨には明記されていない。

6. 次に読むべき論文は？

要旨で参照されている関連研究として、Waymoベースのログ運転シナリオ、CARLAシミュレータ、模倣学習、能動学習、ワールドモデル、安全制約付き強化学習などが挙げられる。具体的には、WaymoのデータセットやCARLAに関する論文、模倣学習の基礎研究、能動学習の一般的な手法、ワールドモデル（例：Dreamer）、安全制約付き強化学習（例：Constrained Policy Optimization）などが関連する。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Dong Hu, Chao Huang, Carman K. M. Lee, Dimitrios Kanoulas

分類: cs.RO

原文アブストラクト

Learning-based autonomous driving (AD) systems can perform reliably in familiar conditions, yet rare distribution shifts and long-tail events remain a major source of abrupt failure. A central limitation is that most agents learn primarily from passive experience and lack mechanisms to estimate when their competence is insufficient, seek timely assistance, and convert safety-critical encounters into targeted improvement. Here we present self-aware guided exploration (SAGE), an active learning framework for post-training adaptation in AD. SAGE learns a predictive world model that generates two online intrinsic signals: fear, which estimates short-horizon predictive risk and model uncertainty, and curiosity, which measures novelty through prediction error. Curiosity adaptively calibrates the intervention threshold for fear, allowing the agent to regulate risk in a context-dependent manner. When predicted fear exceeds this adaptive threshold, the agent transfers control to an expert or fallback policy and uses the resulting takeover trajectories for focused imitation learning. In parallel, fear is integrated into policy optimization and evaluation as a safety-oriented constraint to reduce performance regressions during adaptation. We evaluate SAGE in simulated route-transfer tasks, Waymo-based logged driving scenarios, CARLA occlusion hazards, and real-world mobile robot navigation tests. Across these settings, SAGE improves robustness in novel and safety-critical scenarios, reduces safety violations, and maintains task performance comparable to strong baseline policies. These results suggest that agents can improve after initial training by estimating the limits of their competence, requesting guidance when needed, and learning selectively from rare high-value events.

arXivで原文を読む →arXiv概要ページ

← 論文一覧