VectorWorld: ベクトルグラフ上の拡散フローによる効率的なストリーミング・ワールドモデル

本論文は、自動運転の閉ループ評価とトレーニングを可能にする新しい「ストリーミング・ワールドモデル」であるVectorWorldを提案しています。既存の生成モデルが抱える「初期化の不一致」「推論遅延」「長期ロールアウトにおける構造的な崩壊」という 3 つの課題を解決し、リアルタイムかつ 1km 以上の距離にわたる安定したシミュレーションを実現します。

以下に、論文の技術的な詳細を要約します。

1. 背景と問題定義

自動運転の方策（Policy）の閉ループ評価には、記録されたログの再生以上のインタラクティブなシミュレーションが必要です。しかし、既存の生成ワールドモデルは以下の 3 つの制約により、オンラインシミュレーション（ストリーミング）として実用化することが困難でした。

1. 履歴なし初期化（History-free Initialization）:
   • 多くの生成モデルは $t=0$ での静的スナップショットを出力しますが、反応型の方策は過去の運動履歴に条件付けられています。この不一致により、シミュレーション開始時に「コールドスタート」のジャーク（急激な加速度変化）や不安定な相互作用が発生します。
2. サンプリング遅延（Sampling Latency）:
   • 拡散モデル（Diffusion Models）やフロー・マッチングは、通常、高品質な生成のために多数の反復ステップ（ソルバー）を必要とします。これは、リアルタイム制約（例：64m×64m のタイル生成に 30ms 以内）を満たすストリーミング・アウトペイント（Outpainting）には不向きです。
3. 長期の運動学的非実現性（Long-horizon Kinematic Infeasibility）:
   • 1 ステップごとの小さな運動学的違反（例：物理的に不可能な加速度）は、短期間では無視できますが、キロメートル単位のロールアウトでは累積され、シミュレーションの破綻（ドリフト）を引き起こします。

2. 提案手法：VectorWorld

VectorWorld は、ベクトルグラフ表現に基づき、エージェントと道路を連続的に生成するストリーミング・ワールドモデルです。以下の 3 つの主要な技術的革新により、上記の問題を解決します。

2.1. 相互作用状態インターフェース（Interaction-State Interface）

• 目的: 履歴条件付きの方策との初期化の整合性を確保し、コールドスタートを回避する。
• 手法:
  • 各エージェントに対して、静的状態（位置、速度、向きなど）に加え、運動履歴コード（エージェント座標系での短いポリライン）を付与します。
  • **運動感知ゲート付き VAE（Motion-Aware Gated VAE）**を導入し、静止しているエージェントには運動ノイズを注入せず、移動中のエージェントには履歴情報を適応的にエンコードします。
  • これにより、シミュレーション開始時にエージェントが「過去の運動」を持つ擬似履歴（Warm-start）として初期化され、方策が安定して動作できるようになります。

2.2. エッジゲート付き関係性 DiT（Edge-Gated Relational DiT）

• 目的: マップ構造（車線接続性）とエージェント - 車線の整合性を維持しつつ、高速な生成を実現する。
• 手法:
  • 異種グラフ（車線ノードとエージェントノード）を生成するためのトランスフォーマー基盤として、**関係性アテンション（Relational Attention）**を採用します。
  • エッジ条件付きバイアスと値ゲート: 車線間の接続性やエージェントと車線の関係性を示すエッジ特徴量に基づき、アテンションのスコアにバイアスを加え、値ベクトルにゲートを適用します。これにより、トポロジーの破綻を防ぎます。
  • この構造により、部分的なマスク補完（Masked Completion）を繰り返しても、道路の接続性が維持されます。

2.3. 区間条件付き MeanFlow と JVP による大ステップ推論

• 目的: ソルバー不要（Solver-free）の 1 ステップ生成を実現し、リアルタイム性を確保する。
• 手法:
  • 従来の拡散モデルやフロー・マッチングは小ステップの積分を前提としていますが、VectorWorld はMeanFlow（区間平均速度を学習する手法）を採用します。
  • JVP（Jacobian-Vector Product）ベースの補正: 1 ステップで大きな移動を行う際、境界での精度を高めるため、区間平均速度にヤコビアン・ベクトル積を用いた補正項を加えたターゲットで学習を行います。
  • これにより、反復ソルバーなしで、1 回のフォワードパスで高品質なベクトルグラフを生成できます（推論時間：約 6ms/タイル）。

2.4. 物理整合 NPC 方策：$\Delta$Sim

• 目的: 長期ロールアウトにおける運動学的違反の累積を防ぐ。
• 手法:
  • ハイブリッド離散 - 連続アクション: 離散的な k-ディスクトークンと連続的な残差補正を組み合わせて動作を生成します。
  • 微分可能な運動学コスト（DKAL）: 学習時に、物理的に実現不可能な動作（急激な旋回や加速度など）に対するコストをロジットにペナルティとして加味し、方策が物理法則に適合するように誘導します。
  • FiLM による条件付け: 目標とするリターン（Return-to-Go）に基づき、デコーダの隠れ状態を FiLM（Feature-wise Linear Modulation）で調整し、制御性を高めます。

3. 主要な貢献

1. 履歴整合型初期化: 運動履歴をエンコードした VAE によるウォームスタートにより、初期化時のジャークと衝突率を大幅に低減。
2. 構造的整合性のある高速生成: エッジゲート付き DiT と MeanFlow を組み合わせ、ソルバー不要の 1 ステップ生成で、リアルタイム（約 6ms）かつ高忠実度のベクトルグラフ生成を実現。
3. 長期安定性の確保: 物理整合性の高い NPC 方策（$\Delta$Sim）と微分可能な制約により、1km 以上のロールアウトでも運動学的違反が蓄積しない。
4. 実証: Waymo Open Motion と nuPlan データセットにおいて、既存手法（SLEDGE, ScenDream など）を上回る性能を示し、1km 以上の閉ループシミュレーションを成功させました。

4. 実験結果

• オフライン品質:
  • EPD（Endpoint Distance）: 車線の接続点での誤差が ScenDream-L に比べて大幅に改善（nuPlan で 0.250m $\to$ 0.078m）。
  • 衝突率: 初期化時の衝突率が 9.30% $\to$ 3.01% に低下。
  • トポロジー: 車線接続性の維持が向上し、ルート有効性が向上。
• リアルタイム効率:
  • 1 ステップ生成（MeanFlow-1）で約 6ms の推論時間を実現し、ストリーミング・アウトペイントの予算（30ms）内に収まります。
  • 多ステップの拡散モデル（DDPM）は遅延が大きく（158ms 以上）、オンライン使用には不向きでした。
• 閉ループ評価:
  • 1km+ ロールアウト: VectorWorld 上での PPO 方策の再トレーニングにより、ストレステストの成功率が 25.0% から 56.0% に向上しました。
  • 転移性: VectorWorld で学習した方策は、ログ再生や他のシミュレータ（ScenDream）でも性能が向上し、シミュレータ特有のアーティファクトへの過学習がないことを示しました。
  • 失敗の現実性: 生成された失敗シナリオは、実世界のログデータと高い類似性（78.5% のタイプ一致率）を示し、現実的な安全性クリティカルなイベントを捉えていることが確認されました。

5. 意義と結論

VectorWorld は、自動運転の研究開発における「学習ベースのシミュレーション」の信頼性と効率性を飛躍的に向上させます。

• 実用性: リアルタイムで動作するストリーミング生成により、反復的なテストや対戦型トレーニングが可能になりました。
• 安全性: 物理法則に整合した方策と生成モデルにより、長期シミュレーションでの破綻を防ぎ、安全クリティカルな事象の発見を可能にします。
• 将来展望: 自動運転システムの開発サイクルを短縮し、実車テストのリスクを低減する強力なツールとして機能します。

本論文は、生成モデルの「生成速度」と「構造的整合性」、そして「物理的実現性」を同時に満たすための新しいパラダイムを示しており、自動運転シミュレーションの分野において重要なマイルストーンとなります。