自動車用エゴセントリックデータセットのためのシーングラフに基づく運転シナリオ抽出

本論文は、自動運転システム(ADS)開発において、ラベルなし実世界センサーデータストリームから関心のある運転シナリオを自動抽出する手法を提案する。シーングラフ(Scene Graph)とLinear Temporal Logic (LTL)を用いて、ego車両のセンサーデータとHDマップから時系列のシーングラフを生成し、LTLでシナリオを形式的に指定した後、既製のモデルチェッカーでLTL式を評価してシナリオの全インスタンスを抽出する。シミュレーションと実世界データの両方に適用可能で、Argoverse 2の訓練・検証データセット(850本の15秒実世界運転ログ)とダッシュカム映像で評価している。

従来のシナリオ抽出は、トラック注釈やHDマップに基づくルールベースの手法が一般的であり、ラベルなしデータからの自動抽出は困難だった。本手法は、シーングラフとLTLを用いることで、複雑な時空間シナリオを形式的に指定・検索できる点が新しい。また、ルールベースのベンチマークと比較して、より柔軟で表現力の高いシナリオ定義が可能であり、ラベルなしデータから直接シナリオを抽出できる点が優れている。

手法の核は、(1) egoセンサーデータとHDマップを処理して、各タイムステップのシーングラフ(物体、属性、関係を表す)を生成し、時系列のシーングラフ列を構築すること。(2) 関心のあるシナリオをLTL式で形式的に記述すること。(3) 既製のモデルチェッカーを用いて、LTL式をシーングラフ列に対して評価し、シナリオの発生区間を抽出すること。これにより、複雑な時空間条件(例: 車両が交差点で右折する際に歩行者が横断する)を扱える。

Argoverse 2の訓練・検証データセット(850本の15秒実世界運転ログ)と複数のダッシュカム映像を用いて評価した。提案手法の有効性を、トラック注釈とHDマップに基づくルールベースのベンチマークと比較することで示した。具体的な評価指標は要旨からは不明だが、シナリオ抽出とクエリの有効性を実証したと述べている。

要旨からは、提案手法の限界や議論についての詳細は不明。ただし、シーングラフ生成の精度が抽出結果に影響する可能性や、LTL式の設計がシナリオ定義の柔軟性を左右する点が考えられる。また、実世界データでの評価はArgoverse 2に限定されており、他のデータセットや多様なシナリオでの汎用性については要旨からは不明。

要旨で参照・比較されている研究として、Argoverse 2データセットに関する論文、およびルールベースのシナリオ抽出に関する研究が挙げられる。また、関連手法として、シーングラフ生成やLTLを用いた形式検証に関する論文が考えられる。具体的には、Argoverse 2の発表論文や、自動運転におけるシナリオベーステストに関するサーベイ論文が次に読むべき候補である。