ZipDrift: ワンステップドリフトモデルによるマルチモーダル短ホライズンMPCコスト生成

- 短ホライズン MPC の近視眼的なコストを補正する ZipMPC を拡張した ZipDrift を提案する研究。 - 補正は本質的に multimodal であり、遅い相手を左右どちらから追い越すか等で符号の異なる良い補正が共存する。 - 決定論的回帰ではモード平均化や専門家の一貫しない tie-breaking を継承する問題がある。 - ZipDrift は MPC コスト補正上で one-step drifting generator を学習する。 - 低 closed-loop cost へ tilt し、候補補正のコスト評価のみから学習する。 - optimiser を通した微分は行わない。 - 生成候補を learned critic でランク付けし、model-based MPC が dynamics と制約を担保する。

- 先行の ZipMPC は短ホライズンコストの context-dependent な補正を長ホライズン専門家の模倣で学習するが、決定論的回帰のため multimodal な補正を平均化しやすい。 - ZipDrift は one-step drifting generator により multimodal な補正分布を表現し、低 closed-loop cost へ tilt する点が新しい。 - optimiser を通した微分を不要にし、候補補正のコスト評価のみから学習できる点が先行手法と異なる。 - 同じ候補予算の critic-ranked random candidates と比較しても優位である点を実験で示す。

- MPC コスト補正を生成対象とし、one-step drifting generator を学習する。 - 学習信号は候補補正のコスト評価のみで、optimiser の微分は使わない。 - 生成分布を低 closed-loop cost 側へ tilt する。 - 生成した少数の候補を learned critic でランク付けして選択する。 - 選択後の補正を model-based MPC に渡し、dynamics と制約を MPC 側で強制する。 - 実験では eight-dimensional stagewise correction を用いる。

- ZipMPC 由来の kinematic overtaking benchmark で検証。 - 文脈の 53% が bimodal。 - 手動の短ホライズン MPC はテストエピソードの 28.5% で crash。 - ZipDrift は eight-dimensional stagewise correction で 600 テストエピソードすべて collision-free。 - 評価した最良候補に一致する性能。 - 比較: 理想化した ZipMPC 風 regressor は 4.0% crash（一貫しない専門家ラベルでは 16.0%）、同じ予算の critic-ranked random candidates は 2.0% crash。

- 決定論的回帰が multimodal な補正を平均化し、専門家の一貫しない tie-breaking を継承する問題を実験的に示す。 - one-step drifting generator と learned critic の組み合わせが、少ない候補数で multimodal な補正選択を扱えることを示唆。 - ただし検証は kinematic overtaking benchmark に限られ、他タスクへの一般化や計算コスト、critic の品質依存性は要旨からは不明。 - 専門家ラベルの一貫性が性能に影響する点も議論の余地がある。

- ZipMPC（本手法の直接の先行研究）。 - drifting models（one-step drifting generator の元手法）。 - model predictive control（MPC）および short-horizon MPC の関連研究。 - imitation learning における multimodal 分布学習（例: diffusion policy 系の手法）。 - learned critic による候補ランキングを用いる planning/control 手法。