蒸留サロゲートで安全クリティカルなシーンを生成し堅牢なEnd-to-End自動運転を実現

- 安全運転のための end-to-end driving model の planning failure を対象にした研究 - NeuroNCAP 上で DiffusionDrive の衝突の 95.9% が planning failure であると分析 - 原因を safety-critical interaction の data imbalance と位置づけ - 特定の planner を狙う model-aware な safety-critical scene 生成フレームワークを提案 - 生成 scene で fine-tune し closed-loop collision rate を半減させる

- 従来の data augmentation や一般的な scene 生成と異なり、対象 planner ごとに攻撃 scene を生成する model-aware 手法 - planner 自身の planning head から distilled した differentiable surrogate を用い、BEV level で攻撃 - 高コストな video renderer を attack loop の外に置く点が効率的 - quality-diversity search により attack と escape の多様性を自動生成し、手作業の指定を排除 - 生成 scene のみを render して fine-tune するため計算コストを大幅削減 - 要旨からは不明: 既存の safety-critical scene 生成研究との定量的比較

- planner ごとに planning head から distilled した differentiable surrogate を構築 - BEV level で surrogate を攻撃し safety-critical scene を生成 - 各 planner につき 50 scene を抽出し、attack と safe escape trajectory をペアで用意 - safe escape trajectory を fine-tuning label として利用 - fully automated quality-diversity search で attack と escape の両方を生成 - 生成 scene のみを render し planner を fine-tune

- NeuroNCAP 上で closed-loop collision rate を評価 - SparseDrive は 28.0% から 12.2% へ、DiffusionDrive は 37.5% から 19.2% へ半減 - 通常走行性能は largely preserving と報告 - cross-planner transfer experiment を実施 - 各 planner は自身向け scene で最も改善し、DiffusionDrive を SparseDrive の scene で fine-tune した場合は 18.3 ポイントの改善のうち 6.7 ポイントのみ保持

- 改善は対象 planner に特化していることを cross-planner transfer で示唆 - 検出は信頼できるが planning がボトルネックであるとの failure-mode analysis を提示 - safety-critical interaction の希少性という data imbalance を問題視 - 要旨からは不明: 生成 scene の現実性や sim-to-real ギャップ、他 planner への一般化限界、通常走行性能の詳細な劣化

- NeuroNCAP に関する研究 - DiffusionDrive - SparseDrive - quality-diversity search を用いた scene 生成研究 - adversarial attack と differentiable surrogate を用いた planning 研究 - end-to-end driving の safety-critical scene 生成に関する関連手法