💻 コンピュータサイエンス

UniMotion: A Unified Motion Framework for Simulation, Prediction and Planning

UniMotionは、共有された表現と最適化された学習戦略を通じて、モーションシミュレーション、予測、およびプランニングのタスクを統合した、統一的なデコーダーのみのTransformerフレームワークであり、Waymo Open Motion Datasetにおいて最先端の性能と強化されたスケーラビリティを実現しています。

原著者： Nan Song, Junzhe Jiang, Jingyu Li, Xiatian Zhu, Li Zhang

公開日 2026-02-03

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Nan Song, Junzhe Jiang, Jingyu Li, Xiatian Zhu, Li Zhang

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、ロボットに混雑した街中を運転する方法を教えようとしていると想像してください。これを安全に行うためには、ロボットは3つの異なる「スーパーパワー」を習得する必要があります。

シミュレーション（Simulation）: 他のドライバーになりきって、彼らがどのように動く可能性があるかを予測すること（車のフライトシミュレーターのようなもの）。
予測（Prediction）: 次の数秒間に他の車がどこへ行くかを正確に推測すること。
プランニング（Planning）: ロボット自身の車が取るべき最善の経路を決定すること。

これまで、研究者たちは通常、これら3つの仕事のために3つの異なる「脳」を作ってきました。ある脳は予測が得意で、別の脳はシミュレーションが得意で、3番目の脳はプランニングが得意でした。しかし、この論文の著者たちは、次のようなシンプルな問いを投げかけました。「これら3つはすべて同じ根本的な作業を行っているのに、なぜ3つの異なる脳が必要なのだろうか？」

彼らは、車がどのように相互作用し、どのように動き、道路に対してどのように反応するかを理解することは、実は適用される場面が異なるだけで、本質的には同じスキルであることに気づきました。そこで、彼らはUniMotionを構築しました。これは、これら3つの仕事を同時にこなすことができる、単一の統合された「スーパー脳」です。

大きなアイデア：一つの脳、三つの帽子

UniMotionを、劇の中で3つの異なる役を演じることができる多才な俳優だと考えてみてください。

即興劇の俳優（シミュレーション）: この俳優は、練習のために多様でランダムなシナリオを作り出します。「もしあの車が左に急ハンドルを切ったら？もし突然停止したら？」
占い師（予測）: この俳優は現在のシーンを見て、「あと3秒であのトラックは右に曲がるはずだ」と言います。
監督（プランニング）: この俳優は、主人公（自車）のための台本を決定します。「よし、トラックが曲がるから、私たちは減速して左のレーンに移動すべきだ。」

3人の異なる俳優を雇って、彼らがお互いに理解し合えるように祈るのではなく、UniMotionは一つの俳優がシーンごとに異なる帽子を被るようなものです。3つの役割を同時に学習することで、この俳優は、個別の専門家よりも「交通の流れを理解する」という核心的なスキルにおいて優れたものになります。

仕組み：「トークン」のトリック

これを実現するために、チームは道路という混沌とした現実世界を、コンピュータが容易に理解できる言語へと翻訳する必要がありました。彼らは**トークン化（tokenization）**という手法を用いました。

長くうねった道路と動いている車を、小さな均一なレゴブロックに細かく切り分けていく様子を想像してください。

車の経路は、一連のレゴブロックの列になります。
道路の白線は、一連のレゴブロックの列になります。

コンピュータは、これらのブロックを文章の中の単語のように扱います。言語モデル（今あなたと話しているようなもの）が文章の次の単語を予測するように、UniMotionは車の経路の次の「レゴブロック」を予測します。

シミュレーションの場合: 「穴埋め問題」のようなゲームを行い、多くの異なる可能な未来を生成します。
予測の場合: 過去のブロックを見て、最も可能性の高い未来のブロックを計算します。
プランニングの場合: 他の車の予測されたブロックを使用して、自分自身の次の動きを決定します。

秘訣：共に学び、そして特化する

論文では、一般的な試験のために勉強してから特定の仕事のために専門特化していく、学生の学習プロセスのような、2段階のトレーニングプロセスについて説明しています。

共同学習（ジェネラリスト・フェーズ）: モデルはこれら3つのタスクを同時に学習します。これにより、道路の共通ルールを学びます。これにより、モデルは非常に堅牢になり、全体像を把握するのが上手くなります。論文では、この「グループ学習」のアプローチが、実際にはタスク同士が互いに教え合うことで、個々のタスクにおけるパフォーマンスを向上させることを示しています。
ファインチューニング（スペシャリスト・フェーズ）: モデルが基礎を学んだ後、研究者はその特定の仕事に必要な「専門的なコーチング」を与えます。
- シミュレーターにする必要がある場合は、より現実的で衝突を避けるように教えるための報酬システム（ビデオゲームのスコアのようなもの）を使用します。
- 予測器にする必要がある場合は、人間は予測不可能であるため、複数の起こりうる結果を推測するための特別なツールを追加します。
- プランナーにする場合は、より安全な意思決定を行うために、他の車に関する自身の予測を信頼するように教えます。

結果

チームはこの「スーパー脳」を、Waymo Open Motion Datasetと呼ばれる、実際の運転シナリオの膨大なデータセットを用いてテストしました。

シミュレーションにおいて: 現実的な交通シナリオを作成することにおいて、従来の特化したモデルを上回り、最高レベルの性能を発揮しました。
予測において: 車がどこへ行くかを正確に推測し、トップクラスの競合モデルに匹拓け、あるいはそれらを上回りました。
プランニングにおいて: 自車にとって最も安全で効率的な運転の意思決定を行いました。

まとめ

この論文は、これらのタスクを一つのフレームワークに統合することで、単に3つのことができるモデルを得るだけでなく、パーツの総和よりも優れた「交通の理解」を実現できると主張しています。それは、熟練したシェフが、刻むこと、調理すること、盛り付けをすることのために3つの異なるキッチンを必要とするのではなく、タスクを切り替えるための適切な道具を備えた、たった一つの素晴らしいキッチンを必要としていることに気づくようなものです。UniMotionは、自動運転のための、まさにその「熟練したキッチン」なのです。

技術要約: UniMotion

問題提起

モーション理解は、自動運転における基盤となる3つの基本タスク、すなわちモーション・シミュレーション、軌跡予測、および**エゴ・プランニング（自車計画）**を包含しています。これらのタスクは動的な交通シナリオをモデリングするために極めて重要ですが、従来は専用のモデル設計を用いて個別に扱われてきました。このような分離は、タスク間の相互汎用性を阻害し、システムの拡張性を制限し、マルチエージェント間の相互作用の理解、運動挙動のモデリング、そして時空間ダイナミクスに関する推論といった、共通の基礎能力から得られる潜在的な相互利益を見落とすことになります。既存のアプローチは、多様なモーション生成（シミュレーション）と長距離軌跡予測（予測/プランニング）の間の共通性を活用できていないことが多く、その結果、開発の重複や知識の断片化を招いています。

手法

著者らは、モーションタスク間の共通構造を捉えつつ、それぞれの固有の要件にも適応するように設計された統一モーションフレームワークであるUniMotionを提案します。このフレームワークは、そのシンプルさ、スケーラビリティ、および強力な生成能力から選定された、デコーダーのみのTransformerアーキテクチャに基づいています。

1. 統一表現とアーキテクチャ

トークン化: 汎用性を確保するため、本フレームワークはトークン化を通じて入力を標準化します。エージェントの軌跡は固定間隔で分割され、エージェント・トークン語彙（ $S_a$ ）を形成するためにクラスタリングされます。同様に、HDマップのポリラインも分割およびクラスタリングされ、マップ・トークン（ $S_m$ ）が作成されます。これらは特徴ベクトル（ $E_a$ および $E_m$ ）へと埋め込まれます。
エンコーダー・デコーダー構造: モデルは、マップ特徴（ $F_m$ $F_{m}$ ）を処理するマップ・エンコーダーと、因数分解されたエージェント・デコーダーを採用しています。デコーダーは以下の3つのアテンション機構を利用します：
- 時間的自己アテンション（Temporal self-attention）。
- エージェント・マップ間クロスアテンション（Agent-map cross-attention）。
- エージェント間自己アテンション（Agent-agent self-attention）。
  相対的な位置エンコーディング（Relative positional embeddings）は、座標変換に対する不変性を維持するために使用されます。

2. 共同学習戦略

UniMotionは、モーションタスクを「多様なモーション生成」と「長距離軌跡予測」という2つの基本的なコンポーネントに抽象化することで、これらを統合します。モデルは、タスク固有のアテンションマスクと調整された目的関数を用いて共同学習されます。

モーション・シミュレーション: 自己回帰的な言語生成タスクとしてモデル化されます。**因果的アテンションマスク（Causal attention mask）と次トークン予測（Next-Token Prediction: NTP）**を使用し、短期的な多様性を強調しながら、マルチエージェントの状態を反復的に生成します。
軌跡予測: シーケンス・トゥ・シーケンス（seq2seq）タスクとして扱われます。seq2seqアテンションマスク（履歴トークンは互いにアテンションを向け、未来のトークンは履歴および先行する未来のトークンにアテンションを向ける）を採用しています。決定的な点として、完全な長距離軌跡を直接予測して精度を確保するために、トークン分類の代わりに**長距離未来回帰（Long-range Future Regression: LFR）**を導入しています。
エゴ・プランニング: 生成と予測の組み合わせとして捉えられます。モデルはまず周囲のエージェントの将来の軌跡を予測し、次にそれらの予測に基づいてエゴ車両の軌跡を段階的に生成します。

3. タスク固有のファインチューニング

特定のアプリケーションにおいて最先端（SOTA）の性能を達成するために、本フレームワークは新しいパラメータを導入することなく、専用のファインチューニング戦略を採用しています。

シミュレーション（強化学習ベース）: 生成された軌跡を人間の運転挙動や交通ルールに適合させるために、強化学習（具体的にはGRPO）を利用します。報酬関数は、運動学的類似性（グラウンドトゥルースの対数尤度）と衝突回避を組み合わせたものです。
予測（マルチモーダル）: マルチモーダルな出力を洗練させ、軌跡の多様性と信頼性を高めるために、**意図アンカー（Intention anchors）**を備えた軽量なTransformerデコーダーを導入します。
プランニング（Pred2Gen）: 予測されたエージェント・トークンと学習データの間の分布の不一致に対処するため、予測結果（必要に応じてフィルタリングおよびグラウンドトゥルースによる置換を行う）を用いて、エゴ生成プロセスをエンドツーエンドの教師あり学習方式でファインチューニングします。

主な貢献

統一フレームワーク: 本論文は、モーションタスクを2つのコアカテゴリに抽象化し、汎用性とタスク間の知識共有を促進するために、シミュレーション、予測、およびプランニングを共同でモデリングするTransformerベースのフレームワークであるUniMotionを提案します。
ファインチューニングによる専門化: 著者らは、共同学習されたモデルがタスク固有の専門知識を習得できるように、効果的なファインチューニング戦略（シミュレーションのためのRL、予測のためのマルチモーダル・デコーディング、およびプランニングのためのPred2Gen）を設計しました。
実証的検証: Waymo Open Motion Dataset (WOMD) における広範な実験により、共同学習が堅牢な汎用性をもたらす一方で、ファインチューニングされたバージョンが3つのモーションタスクすべてにおいて最先端の結果を達成することが示されました。

実験結果

モデルはWaymo Open Motion Dataset（486kのシナリオ）を用いて評価されました。

シミュレーション: Waymo Open Sim Agents Challengeにおいて、UniMotionはRealism Meta Metricで0.7851を達成し、従来のUniTFormer（0.7776）やLLM2AD（0.7779）といった手法を上回りました。特にRLベースのファインチューニングにより、運動学的指標において強みを示しました。
予測: WOMD Prediction Leaderboardにおいて、UniMotionはminADE 0.5718およびminFDE 1.1643を達成し、EDAやRMP-YOLOなどのトップレベルの手法に対して競争力のあるランクを獲得しました。
プランニング: Waymoのプランニング・ベンチマークにおいて、UniMotionは従来のアプローチを大幅に上回り、1秒時点で0.083、5秒時点で2.246のプランニング誤差を達成しました。また、模倣学習のベースラインと比較して、衝突率および赤信号無視率が著しく低い結果となりました。

アブレーション研究により、NTPとLFRの両方を用いた共同学習が、単一タスクの学習よりも優れた性能をもたらすこと、およびタスク固有のファインチューニングがすべての指標において一貫した改善を提供することが確認されました。

意義と主張

本論文は、モーションタスクが、しばしば孤立した問題として扱われるものの、共同最適化のために活用できる基礎的な構造を共有していることを示すことで、UniMotionが自動運転のための多用途かつスケーラブルなソリューションを確立することを主張しています。著者らは、この統一されたアプローチが効率的な表現の共有を可能にするだけでなく、ターゲットを絞った専門化（ファインチューニング）を可能にし、一般的なモーション理解とエキスパートレベルのタスク性能との間の溝を埋めるものであると論じています。

本研究は、デコーダーのみのフレームワークが柔軟性を提供する一方で、時空間的な相互作用のために詳細な位置情報に依存しており、それが現在の広範なLLM関連技術の直接的な適用を制限していることを強調しています。今後の課題として、共同学習の性能をさらに向上させるためのクロスデータセット学習の探索が示唆されています。