技術概要：EnDfuser – エンドツーエンド自動運転における不確実性推定のためのアンサンブル拡散

問題定義

エンドツーエンド（E2E）自動運転（AD）システムは、CARLA などのクローズドループシミュレーション環境において急速に進歩しています。しかし、重大な制限が依然として存在します。多くの E2E 計画システムは、計画プロセスの一部として不確実性を無視するか、汎用性に欠ける特殊な表現に依存しています。自動運転の分野では、信頼性の低い予測が壊滅的な結果を招く可能性があるため、不確実性の定量化（UQ）は極めて重要です。不確実性の源には、センサーノイズ、分布のシフト、アーキテクチャ上の欠陥が含まれます。従来の手法では、ベイズ的アプローチ、モンテカルロドロップアウト、またはアンサンブルを用いてこの問題に対処しようとしてきましたが、複雑なアーキテクチャの変更や特殊な離散分類器を必要とせず、不確実性モデリングを軌道計画モジュールに直接統合する手法が必要です。

手法

著者らは、軌道計画器として拡散確率モデル（DDPM）を利用するエンドツーエンド運転システムEnDfuserを提案します。このシステムは軌道の事後分布をモデル化するように設計されており、アンサンブル拡散を通じて不確実性推定の自然的なメカニズムを提供します。

アーキテクチャ

EnDfuser は、RGB 画像と LiDAR 鳥瞰図（BEV）特徴を融合するTransFuser++（TF++）の知覚バックボーンを基盤として構築されています。ただし、TF++ のトランスフォーマー＋GRU 計画モジュールを拡散トランスフォーマーに置き換えています。

• 入力条件付け: 拡散モデルは、運転指示（目標点）、現在の速度、拡散ステップ $k$ を含む拡張された BEV 特徴に基づいて条件付けられます。
• 軌道表現: 出力は、2 秒の計画 horizon を表す 250ms 間隔で配置された 8 つのウェイポイントのセットです。
• アンサンブル生成: 単一の点推定にコミットするのではなく、EnDfuser は単一の知覚フレームから候補軌道の分布（実験では具体的には 128 個の候補）を生成します。これは GPU 上の並列バッチサンプリングによって実現されます。
• 推論効率: システムは**DDIM（Denoising Diffusion Implicit Models）**スケジュールを採用しており、わずか 2 回のノイズ除去ステップで高品質な軌道生成を可能にし、リアルタイム性能（約 29 FPS）を確保しています。

不確実性の定量化

核心的な革新は、生成された軌道のアンサンブルを活用して不確実性を推定することにあります。

1. 制御コマンドへの変換: 128 個の軌道候補のセット（$T_t$）は、TF++ の PID コントローラーから導出されたロジックを用いて、所望の速度とヨー角という制御コマンドのセット（$K_t$）に変換されます。
2. 分散計算: システムは、128 個の候補にわたる予測速度分布の分散（$\hat{\sigma}^2_s$）を計算します。著者らは、この特定のタスク設計においてヨーは速度に依存することが多いため、速度分散を不確実性の主要な指標として特定しています。
3. 安全ルール: 単純なルールベースの安全ヒューリスティックが導入されます。速度分散 $\hat{\sigma}^2_s$ が閾値 $\lambda$ を超える場合、エージェントは所望の速度を 0 m/s（ブレーキ）に上書きします。

主要な貢献

本論文は 3 つの主要な貢献を概説しています。

1. EnDfuser エージェント: 拡散ベースの計画器を用いて、クローズドループ CARLA シナリオにおける計画の不確実性をモデル化できる単純な E2E 運転エージェントの提示。
2. 性能向上: 単純な不確実性情報に基づくヒューリスティック（ブレーキングルール）が、LAV ベンチマークにおいてエージェントの運転スコアを**1.7%**向上させることの証明。
3. 分布分析: 事後軌道分布が運転分布の「ロングテール」を明らかにし、特に潜在的に安全性が重要な状況やデータバイアス（ラベルノイズなど）の発生を浮き彫りにできるという証拠。

実験結果

システムは、CARLA シミュレーター内のLAVおよびLongest6ベンチマークで評価されました。

• LAV ベンチマーク: 基本 EnDfuser 構成（安全ルールなし）は、すでに TF++ ベースラインを運転スコア（DS）および違反スコア（IS）で上回っていました。安全ルールを適用（閾値 $\lambda = 0.4$）すると、DS はさらに78.1まで向上し（TF++ の 70.0 に対して）、車両衝突キロメートル数が減少しました。
• Longest6 ベンチマーク: EnDfuser のバリアントは、より複雑なこのベンチマークでは一般的に TF++ より低いスコアでしたが、安全ルールは車両衝突率を 1.1 から 1.02 衝突/キロメートルに成功裡に減少させました。ただし、ルートタイムアウトの増加というトレードオフにより、これはより高い全体の DS にはつながりませんでした。
• 不確実性の局所化: 速度分散マップの分析により、高い不確実性（「スパイク」）は、交差点、カーブ、動的エージェントとの相互作用と一貫して相関していることが明らかになりました。
• 不確実性の分類: 分散が最も高い 100 フレームの視覚的検査では、83% が他のエージェントとの相互作用中に発生していることが示されました。分析はまた、明確な視覚的因果関係のない不確実性である因果的混乱と、トレーニングデータの制限により予測が既知の目標点を超えて拡張される横方向のラベルノイズを特定しました。

意義と主張

著者らは、EnDfuser を E2E 運転ポリシーにおける不確実性を意識した意思決定への重要な一歩として位置づけています。

• ドロップイン代替: 本論文は、アンサンブル拡散が従来の点推定計画モジュールの「ドロップイン代替」として機能し、事後軌道分布の不確実性を効果的にモデル化できると主張しています。
• 解釈可能性: 候補軌道の完全なセットを観察することで、システムは不確実なマルチモーダルな未来空間に対する解釈可能性を提供し、単一点推定器では見逃される可能性のある安全性が重要な状況の検出を可能にします。
• データマイニング: この手法は、特に運転分布の「ロングテール」とエージェントの不確実性の高い領域、ラベルノイズの事例を特定するために、トレーニングデータをフィルタリングする潜在的なツールを提供します。

本論文は、現在の安全ヒューリスティックが単純であり、汎用性に欠ける可能性があるという限界について控えめなトーンを維持しています。また、この手法は現在、アレイトリアル不確実性とエピステミック不確実性を区別しておらず、将来の研究ではより洗練された尺度（エントロピーなど）や動的な安全ヒューリスティックを探求すべきであると指摘しています。