技術的サマリー：ScenePilot

問題定義

安全性がクリティカルなシナリオは、自動運転（AV）システムを評価する上で不可欠であるが、自然な運転ログでは極めて稀であるため、シミュレーションに基づくストレステストが必要となる。既存のシナリオ生成手法は、通常、衝突を誘発するように訓練された敵対的な周囲エージェントを扱う。しかし、これらのアプローチには主に 2 つの限界がある：

1. 物理的無効性: 車両 - 道路の物理的限界を明示的にモデル化しない手法は、「視覚的には極端」だが物理的に解決不可能な衝突（例：無限の減速を必要とする）を生成することがある。これらの失敗は、自律性スタックの真の欠陥を明らかにするのではなく、数値的ロバスト性をテストするに留まる。
2. 単一制約への過度な依存:
   • 物理制約付き手法 は、エージェントを物理的に実現可能な行動に制限するが、物理的限界付近での極端な限界押し出し操縦に収束しやすく、物理的には解決可能でありながら依然として AV の失敗を引き起こす、より広範な相互作用の領域を見逃す。
   • 方策制約付き手法 は、生成を特定コントローラーの能力限界に向けて誘導する。特定のスタックの診断には実行可能であるが、生成をコントローラー依存の境界に固定し、AV が環境の基本的な物理的限界にどの程度近接して動作しているかを明らかにすることに失敗する。

本論文は、最も有益な領域は「境界帯（boundary band）」であると主張している。これは、原理的に物理的に解決可能（衝突を回避するための許容されるダイナミクスが存在する）であるが、特定の限界により展開された自律性スタックが失敗するシナリオである。

手法：ScenePilot

ScenePilot は、この境界帯を標的とする、実現可能性に導かれ、境界駆動型のフレームワークである。これは、強化学習（RL）を用いて、シナリオ生成を制約付き多目的マルコフ決定過程（MDP）として定式化する。

1. 二重信号定式化

本フレームワークは、物理的実現可能性と AV 方策の能力を、ステップごとの 2 つの信号を用いて分離する：

• 物理的実現可能性スコア（$\sigma$）: 責任感に基づく安全性（RSS）モデルの物理限界変種から導出される。保守的な反応時間を含む標準的な RSS と異なり、この変種は最大許容減速度に基づいて理論的な制動限界距離を計算する。
  • $\sigma \geq 0$: フレームは物理的に実現可能（許容される制動/操舵により衝突を回避可能）。
  • $\sigma < 0$: フレームは物理的に非実現可能（衝突は不可避）。
  • このスコアは、車両の幾何学と衝突までの時間（TTC）を考慮して縦方向および横方向のマージンを集約し、直交する操縦が衝突を回避できるかどうかを判定する。
• AV リスク予測器（$\Phi$）: 自車の瞬時の安全性リスクを推定する、オンライン学習型の軽量クリティックネットワークである。これは、特定コントローラーの方策に依存しない、衝突確率の高密度かつ微分可能な信号を提供するために、潜在ベースの報酬整形を通じて訓練される。

2. 制約付き多目的最適化

目標は、物理的実現可能性（$J_\sigma \geq \epsilon$）を維持しつつ、AV リスク（$J_\phi$）を最大化することである。目的関数は以下のように定式化される：
$$\max_{\pi} J_\phi(\pi) \quad \text{s.t.} \quad J_\sigma(\pi) \geq \epsilon$$
ここで、$\epsilon$ は実現可能性閾値を掃引する制御変数である。

3. 主要メカニズム

• ステップレベルの実現可能性認識シールディング: 方策が物理的に非実現可能な領域へ逸脱したり、境界近傍の違反を無視したりするのを防ぐため、著者らはシールディングマスクを導入する。実現可能性の違反が存在するか、差し迫っている場合（$h_t > 0$）、方策更新は実現可能性アドバンテージ（$A_\sigma$）を優先する。そうでない場合、リスク（$A_\phi$）の最適化を行う。これにより、エージェントは非実現可能なアーティファクトへ収束することなく、境界付近に留まることが保証される。
• 実現可能性閾値の掃引: システムは、物理的限界付近から始まり、マージンを徐々に増大させるガウス形状のスケジュールを $\epsilon$ に対して採用する。これにより、エージェントは単一の狭い極端な操縦セットへ収束するのではなく、境界帯のスペクトルを探索することが可能になる。

主要な貢献

1. 境界帯定式化: 物理的実現可能性と AV 方策の能力を分離し、物理的には解決可能だが方策的には非実現可能な相互作用の領域を明示的に標的とする新規定式化。
2. 制約付き敵対的生成器: 物理由来スコア（$\sigma$）とオンライン学習型リスク予測器（$\Phi$）を結合し、ステップレベルのシールディングと閾値掃引を利用して、近傍境界の実現可能帯にサンプルを集中させる多目的 RL フレームワーク。
3. 実証的検証: ScenePilot が物理的妥当性を維持しながら、より高い衝突率を持つシナリオを生成すること、およびこれらのシナリオを用いた敵対的ファインチューニングが一貫して下流のロバスト性を向上させることを実証。

実験結果

実験は、CARLA シミュレーター内の SafeBench ベンチマークで行われた。

• 安全性クリティカル性: 最先端のベースライン（Learning-to-Collide、AdvSim、ChatScene、SCENGE などを含む）と比較して、ScenePilot は 8 つのベース交通シナリオ全体で、平均衝突率（CR）が 0.893、総合スコア（OS）が 0.476 と、それぞれ最高および最低の値を達成した。
• 転移性: 生成されたシナリオは、CARLA Autopilot、AIM-BEV、TransFuser、BehaviorAgent、および各種深層 RL コントローラー（SAC、PPO、TD3）を含む多様な AV スタック間でも効果的であった。ScenePilot は、無保護左折シナリオにおいて、平均 CR をベースラインの KING の 0.380 から 0.490 に増加させた。
• 物理的妥当性: 分析により、ScenePilot は ChatScene に比べて物理的に無効なフレームを著しく少なく生成することが示され、その失敗が物理的に不可能な行動に依存していないことが確認された。
• 下流有用性: ScenePilot 生成シナリオを用いた自車方策の敵対的ファインチューニングは、下流の衝突率を事前学習時の 0.854 から 0.072 に削減し、他の生成器からのシナリオによるファインチューニングを上回った。
• カバレッジ: この手法は、ベースラインと比較して「物理的には実現可能だが AV には非実現可能」なギャップ帯のより広範な部分をカバレッジ（ギャップカバレッジスコアで測定）しており、過度に穏やかまたは極端な領域への収束を回避した。

意義と主張

本論文は、ScenePilot が、現在の自律性スタックの限界に起因する失敗（必然的な物理的制約によるものではない）である「能力ギャップ」を分離することで、自動運転のためのより厳格な評価ツールを提供すると主張している。「境界帯」に焦点を当てることで、この手法は以下のシナリオを生成する：

• 有益な: 数値的なエッジケースではなく、真のアルゴリズム的弱点を明らかにする。
• 実行可能な: 展開されたシステムのロバスト性を向上させる標的訓練データを提供する。
• 汎用性の高い: 多様なコントローラーアーキテクチャにわたって依然として挑戦的である。

著者らは、この研究を、単なる失敗の最大化を超えて、物理的可能性とアルゴリズム的能力の間の微妙な空間を探求する、体系的な安全性保証への一歩として位置づけている。