優れた視覚表現は常にエンドツーエンド自動運転を改善するのか？

- 視覚基盤モデル（VFM）を end-to-end 自動運転に統合する際、その表現が運転性能をいつ向上させるかを調べる研究。 - planner 非依存の visual representation alignment フレームワーク ViRA を導入。 - planner のアーキテクチャと推論コストを変えずに表現を整列。 - 知見に基づき ViRA-Diffusion を開発。

- VFM 表現が常に運転性能を改善するとは限らない点を検証。 - 多様な end-to-end planner で一貫した改善を示し、zero-shot closed-loop 評価にも利得が及ぶ。 - VFM target の選択が planning 性能に影響し、異なる VFM への整列が事前学習済み VFM encoder を持つ planner にさらに利する場合がある。 - 補助知覚 supervision が VFM target 選択への感度を下げ、EPDMS のばらつきを 2.7 から 0.5 点に縮小。

- planner アーキテクチャと推論コストを固定した planner-agnostic な visual representation alignment。 - VFM を target として視覚表現を整列。 - 補助知覚 supervision の有無を比較。 - 知見を踏まえ、補助知覚 supervision なしで訓練する diffusion-based planner ViRA-Diffusion を開発。

- 多様な end-to-end planner で VFM-guided 視覚表現の改善を確認。 - zero-shot closed-loop 評価へ利得が及ぶことを確認。 - 5 つの target 間の EPDMS ばらつきを補助知覚 supervision ありで 2.7 から 0.5 点に縮小。 - ViRA-Diffusion が NAVSIM v2 navtest で 92.3 EPDMS を達成し、比較した最近手法を少なくとも 1.9 点上回る。

- VFM 統合時には target 選択と planner supervision を併せて検討する必要がある。 - 補助知覚 supervision は効果の低い VFM target を補償しうる。 - 要旨からは不明：具体的な失敗条件や限界、計算コストの詳細。

- 要旨で参照/比較されている研究：ViRA、ViRA-Diffusion、NAVSIM v2。 - 関連手法：end-to-end autonomous driving、visual foundation models (VFMs)、diffusion-based planner、EPDMS。 - 同分野の定番：closed-loop evaluation、planner-agnostic alignment。