💻 computer science

Addressing the Waypoint-Action Gap in End-to-End Autonomous Driving via Vehicle Motion Models

本論文は、ウェイポイントベースの評価指標内でアクションベースのポリシーを訓練および評価することを可能にすることで、ウェイポイントベースとアクションベースのエンドツーエンド自動運転の間の溝を埋める微分可能な車両運動フレームワークを提案し、NAVSIMにおいて最先端の性能を達成している。

原著者： Jorge Daniel Rodríguez-Vidal, Gabriel Villalonga, Diego Porres, Antonio M. López Peña

公開日 2026-02-10

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Jorge Daniel Rodríguez-Vidal, Gabriel Villalonga, Diego Porres, Antonio M. López Peña

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

ロボットに車の運転を教える場面を想像してみてください。ロボットに指示を出す方法は、大きく分けて2通りあります。

「ハンドル操作」方式（アクションベース）: ロボットに、「ハンドルを左に5度回して、アクセルを少し踏んで、ブレーキは踏まないで」と伝えます。これは、パイロットに対して具体的で低レベルなコマンドを与えるようなものです。
「ルートマップ」方式（ウェイポイントベース）: ロボットに、「地図上のこの地点へ行き、次にあの地点へ行き、それから次の地点へ行け」と伝えます。これは、GPSに目的地リストを与えるようなものです。

問題点：言語の壁
長い間、「ルートマップ」方式がゴールドスタンダード（標準）となってきました。ほとんどのテスト、競技会、そして自動運転車のトレーニングプログラムは、ロボットがそれら特定の地図上の地点（ウェイポイント）を通過できるかどうかをチェックするように設計されています。

しかし、多くの研究者は「ハンドル操作」方式の方が好ましいと考えています。なぜなら、より柔軟であり、完璧なGPSマップを必要としないからです（例：地方や田舎道など）。問題は、「ハンドル操作」式のロボットを「ルートマップ」式の競技会で簡単にテストできないことです。それは、チェッカーのルールしか知らない人が、チェスのトーナメントに参加しようとしているようなもので、動きのルールが一致しないのです。これにより、「ハンドル操作」式の優れたロボットが、テストが「ルートマップ」式のために作られているせいで、その優秀さを証明できないという「ギャップ」が生じていました。

解決策：「ユニバーサル・トランスレーター（万能翻訳機）」
著者らは、この問題を解決するために、巧妙な「翻訳機」あるいは「架け橋」を作り上げました。

彼らは、学習プロセスの中にシミュレーターとして機能する、特別な数学的ツール（微分可能な車両モデルと呼ばれるもの）を作成しました。仕組みは以下の通りです。

入力: ロボットが「ハンドル操作」のコマンド（转向、アクセル、ブレーキ）を出力します。
シミュレーション: このツールは即座に計算します。「もし車が指示通りに動いたら、1秒後にはどこにいるか？ 2秒後にはどこにいるか？」これにより、それらの低レベルなコマンドを、一連の地図上の地点（ウェイポイント）へと変換します。
チェック: システムは、計算されたこれらのウェイポイントが「正しい」経路と一致しているかどうかを確認します。
学習: もしロボットがコースを外れた場合、システムはシミュレーターを通じてロボットに「修正信号」を送り、ターゲットの地点に到達するためにハンドルやアクセルをどのように調整すべきかを教えます。

なぜこれがすごいのか？

公平な競争の場: これにより、「ハンドル操作」のコマンドで考えるロボットも、ルールを変えることなく「ルートマップ」式のトーナメントに参加できるようになります。
柔軟性: 著者らは、2種類の「翻訳機」をテストしました。
- 自転車モデル (KBM): 車を一台の自転車だと想像してください。これは、車がどこへ行くかを予測するための、シンプルで高速な方法です。
- 滑らかな曲線モデル (CCPP): 車が地面に完璧で滑らかなリボンを描いていると想像してください。これはより複雑ですが、急カーブや曲がり角をより上手く扱うことができ、プロのレーシングドライバーのようです。
優れた結果: この架け橋を使用したとき、「ハンドル操作」式のロボットは、過酷な運転テストにおいて「ルートマップ」式のロボットと同等、あるいはそれ以上のパフォーマンスを発揮しました。

まとめ
この論文は、ロボットに「ハンドル操作」で教えるか、「マップに従う」かで選択する必要はないということを示しています。ハンドル操作を教え、テストや採点のために「マップに従っている」ように見せかけるための、この「数学的な架け橋」を利用すればよいのです。これにより、最高の運転スタイルを公平に比較することが可能になり、より安全でスマートな自動運転車の実現につながります。

主張していないこと:

彼らは、これがすべての自動運転の問題（3Dの起伏やサスペンションの揺れなど）を解決すると主張したわけではありません。
彼らは、これが医療ツールや特定の将来的な応用であるとも主張していません。これは厳密には、現在どのように運転ソフトウェアを訓練し、テストするかを改善するための手法です。

技術要約：車両運動モデルによるエンドツーエンド自動運転におけるウェイポイント・アクション間のギャップへの対処

1. 問題提起

エンドツーエンド自動運転（E2E-AD）システムは、その出力に基づき、将来の軌道を予測するウェイポイントベースのモデルと、低レベルの制御量（スロットル、ステアリング、ブレーキ）を直接出力するアクションベースのモデルという、2つのパラダイムに二分されている。アクションベースのポリシーは、高精度GPSへの依存を軽減し、通信環境の悪い地方部での適合性が高いといった利点を持つが、研究コミュニティはウェイポイントベースのアプローチを支持する傾向を強めている。

このシフトにより、「ウェイポイント・アクション・ギャップ」が生じている。現代の主要なベンチマーク（NAVSIM、Bench2Driveなど）およびトレーニングパイプラインの多くは、ウェイポイント出力を前提として設計されている。その結果、アクションベースのポリシーは、非標準的なインターフェース（例：制御空間の離散化）を導入しない限り、これらのフレームワーク内で直接学習や評価を行うことができない。この不均衡は、アクションベースの手法の公平な比較と進歩を妨げている。本論文は、既存の評価プロトコルを変更することなく、アクションベースのアーキテクチャを既存のウェイポイントベースのベンチマーク内で学習・評価できるようにすることで、このギャップを埋めることを目的としている。

2. 手法

著者らは、アクション表現とウェイポイント表現の間の分析的な架け橋として機能する、微分可能な車両モデルフレームワークを提案している。その中核となるメカニズムは、予測されたアクションシーケンスを対応するエゴフレームのウェイポイント軌道へと展開（ロールアウト）するリフティング演算子（ $F_\phi$ ）である。これにより、システムはウェイポイント空間の損失関数を用いてアクションベースのポリシーを監督することが可能になる。

主要コンポーネント:

リフティング演算子 ( $F_\phi$ ): この演算子は、一連の低レベルアクション（ $a_t$ $a_{t}$ ）と初期車両状態（ $s_t$ $s_{t}$ ）を受け取り、一連のウェイポイント（ $w_t$ $w_{t}$ ）を生成する。これは、以下の3つのモジュール化された微分可能なコンポーネントに分解される：
1. 制御活性化 ( $\psi_\phi$ ): 生のネットワーク出力を、有界な物理制御量にマッピングする（例：スロットルやステアリングに対してsigmoidやtanhを使用）。
2. ダイナミクス・ロールアウト ( $f_\phi$ ): 車両のダイナミクスを用いて、運動学的状態を時間の経過とともに前方へ伝播させる。
3. ポーズ投影 ( $h$ ): 完全な状態ベクトルから平面上の位置 $(x, y)$ を抽出する。
モデルの実装: 本フレームワークは、以下の2つの具体的な車両モデルによってインスタンス化される：
- 運動学的自転車モデル (KBM): 非ホロノミック制約を捉えるシングルトラックモデルであり、オイラー法またはルンゲ＝クッタ法（RK4）を介して統合される。
- 連続曲率パスプランナー (CCPP): 直線・円弧経路におけるステアリングの不連続性を回避するため、クロソイド曲線を用いて滑らかな軌道を生成するモデル。
- MLPベースライン: データ駆動型のリフティング演算子として、物理ベースのモデルと比較するために使用される多層パーセプトロン（MLP）。
トレーニングパイプライン: ポリシーネットワーク（ $N_\theta$ ）は、観測とコマンドからアクションを予測する。これらのアクションは微分可能なリフティング演算子を通過して、予測ウェイポイントを生成する。予測ウェイポイントとグランドトゥルース（正解）のウェイポイントとの間で、重み付きL1損失が計算される。勾配はリフティング演算子を通じて逆伝播し、ポリシーパラメータを更新するが、車両モデルのパラメータは固定されたままである。

3. 主な貢献

本論文は、主に3つの貢献を述べている：

アクション・ポリシーに対するウェイポイントベースの学習目的関数: アクション・ポリシーを本フレームワークに結合し、ウェイポイント空間の損失で監督することが、標準的なアクション空間の目的関数と比較して、より安定した評価、高いクローズドループ性能、および走行結果との強い相関をもたらすことを実証した。
微分可能かつ決定論的なフレームワーク: 低レベルのアクションをウェイポイントへとリフトするために特別に設計された、決定論的かつ微分可能な車両ダイナミクスフレームワークを初めて導入した。これにより、これらを標準的なベンチマークで使用することが可能となった。
パラダイムを横断した統一的な比較: フレームワークをKBMおよびCCPPで実装することにより、既存のベンチマーク・インターフェースを変更することなく、アクションベースおよびウェイポイントベースのポリシーを同一のウェイポイント・プロトコル下で学習・評価することを可能にした。

4. 実験結果

本フレームワークは、NAVSIM navtest、NAVSIM navhard、Bench2Drive、およびCARLAベースのプロトコルの4つの困難なベンチマークで評価された。

NAVSIM navhard (リアクティブ): 本手法は、ビジョンのみのモデルの中で**最先端の性能（SOTA）**を達成した。具体的には、MILEとCCPPリフティング演算子の組み合わせが、拡張予測ドライバーモデルスコア（EPDMS）29.5を記録し、最強のビジョンのみのベースラインであるLatent TransFuserを上回った。
NAVSIM navtest (ノンリアクティブ): 本フレームワークにより、アクションベースのポリシーがウェイポイントベースのベースラインと同等、あるいはそれに近い性能を実現した。CIL++とKBMの組み合わせは、プランニング不一致指標（PDMS）83.3を達成し、最先端のウェイポイント専用モデルであるLAWの1.5%以内に迫った。
Bench2Drive (クローズドループ): 本フレームワークはクローズドループ性能を大幅に向上させた。CIL++のベースラインにおいて、走行スコア（DS）は最大で61.1%（CCPPを用いた場合、43.6から66.9へ）向上し、ルート完遂率（RC）は30%以上向上した。
学習の安定性: RK4積分（特にCCPPとの併用）の使用は、オイラー積分と比較してトレーニング・ダイナミクスの分散を大幅に減少させ、より堅牢なモデル選択につながった。
相関研究: 本論文では、フレームワーク（KBM/CCPF）によって生成されたウェイポイントレベルのエラーが、生の（raw）アクション空間のエラーよりも、クローズドループの成功率と強く相関していることが判明した。これは、軌道レベルの監督が実世界のパフォーマンスのより優れた代理指標であることを示唆している。

5. 意義と主張

本論文は、そのフレームワークが、アクションベースとウェイポイントベースの自動運転の間の手法的な隔たりを効果的に埋めるものであると主張している。アクションベースのポリシーを、支配的なウェイポイント中心のベンチマーク・エコシステム内で学習および評価できるようにすることで、本研究は制御ベースのアプローチの開発と比較における大きな障壁を取り除いている。

著者らは、本手法が既存のベンチマーク・プロトコルの変更を必要としないことを強調しており、これはアクションベースのポリシーを適応させるための汎用的なメカニズムであることを意味している。また、本フレームワークは平面運動（ $R^2$ ）を仮定しており、バンク（傾斜）やサスペンションなどの3D効果は無視しているが、物理的な車両モデルを活用することで、エンドツーエンド学習の安定性と性能を向上させることに成功している。本研究は、微分可能なリフティングを通じて運動学的構造を取り入れることが、特にエラーが時間の経過とともに累積するリアクティブな環境において有益であることを示唆している。