技術要約：Conductor – 接続型自動運転車（CAV）のためのスケーラブルなエッジ支援型フュージョンおよび経路予測

1. 問題提起

接続型自動運転車（CAV）は、交通状況、インフラ、および他の車両によって頻繁に遮蔽される、限定的な視界を持つ車載センサに依存しています。エッジ支援システムは、路側機（RSU）とCAVからの観測結果を融合して統一された世界モデルを作成できますが、既存のアプローチは、**情報の鮮度（Age of Information: AoI）**という決定的なスケーラビリティのボトルネックに直面しています。

現在の最先端システムは、通常、車両ごとにローカルでフュージョンを行うか、厳格なエンドツーエンドのタイミング制約なしに生データまたは圧縮データをエッジに送信します。参加するCAVの数が増えるにつれ、特徴量の融合、オブジェクトの追跡、および軌道予測の計算コストが増大します。本論文は、「デッドライン・クリフ（期限の崖）」を特定しています。すなわち、車両密度がある一定（評価においては具体的に17台）を超えると、集約されたレイテンシ（センサのアップロード、エッジ処理、ダウンリンク、およびプランナーによる消費）が300 msの安全境界を超えてしまいます。この境界は、都市部の走行速度（14 m/s）から導出されており、300 msの遅延は、およそ4メートル（車線幅1つ分）の移動に相当し、緊急ブレーキのための十分なマージンを残さないことを意味します。

核心となる課題は、貢献者の数が増加しても、このAoI予算を厳守しながら、高品質で共有された世界モデルと軌道予測を維持できるエッジサービスの設計です。

2. 手法およびシステムアーキテクチャ

著者らは、固定されたRSUにアンカーされた単一の共有世界モデルを構築する、エッジベースのサービスであるConductorを提案しています。各CAVに対して個別の融合ビューを構築したり、初期融合（生データ）を使用したりする従来システムとは異なり、Conductorは中間層（特徴量レベル）の融合を採用しています。

主要なアーキテクチャ構成要素:

• WorldFusion: エッジは、RSUと選択されたサブセットのCAVからの圧縮された鳥瞰図（BEV）特徴量を融合します。この統一されたモデルは、すべてのCAVにマルチキャストされるため、車両ごとの重複したフュージョン計算やダウンリンク送信を排除できます。
• パイプラインの段階: エッジのパイプラインは以下のステップで構成されます：
  1. 特徴量抽出: CAVはLiDARデータをボクセル化し、PointPillarsバックボーンを実行し、空間信頼性マップ（PSM）と共に圧縮された特徴量（約17 KB）を送信します。
  2. 遮蔽を考慮した選択: セレクターは、RSUが不確実な領域（遮蔽領域）において証拠を提供できる能力に基づいてCAVをフィルタリングします。
  3. 融合および検出: Cross-attention融合（Where2Commに基づく）により特徴量を結合し、その後3Dオブジェクト検出を行います。
  4. 追跡: AB3DMOTトラッカーが、更新をまたいで永続的なオブジェクトのアイデンティティを維持します。
  5. 予測: MTR（マルチモーダル・トランスフォーマー）予測器が、短期間の軌道を生成します。
• マルチキャスト配信: 結果としての世界モデル（約13 KB）は、単一の5G NR マルチキャスト/ブロードキャストサービス（NR-MBS）送信を介して送られ、ダウンリンクのレイテンシが受信車両の数に依存しないことを保証します。

適応型コントローラ

300 msのAoI境界内に留まるために、Conductorは、固定された計算予算（エッジ処理用に130 ms）の下で、2つの変数を共同で最適化する実行時コントローラを導入しています。

1. $K_{cav}$ (貢献者選択): 融合するCAVの数を動的に制限します。
2. $x$ (予測の償却): 「発散している」またはリスクの高いトラックに対してのみ、新鮮で学習された軌道予測を選択的に適用し、安定した低リスクのトラックにはキャッシュされた予測を再利用するか、軽量な線形外挿器を使用します。

メカニズム1：遮蔽を考慮した選択
コントローラは、候補となるCAVをその空間信頼性マップ（PSM）を用いてスコアリングします。CAVのスコアは、その信頼性マップとRSUの信頼性マップの逆関数のドット積です。これにより、RSUの死角にあるオブジェクトを検出できる車両が優先されます。コントローラは、計算予算に適合する最大の実現可能なサブセットを見つけるために、離散的な候補数（$K_{cav} \in \{0, 2, 4, 8, 12\}$）を探索します。

メカニズム2および3：予測コストの償却
すべての追跡オブジェクトに、新鮮で計算負荷の高いMTR推論が必要なわけではありません。コントローラは、観測された状態がキャッシュされた予測（位置、方位、速度に基づく）から大きく逸脱している場合、そのトラックを「発散している」とフラグ立てします。発散しているトラックの中でも、リスクベースのスケジューラは、高速、他車両への接近、または遮蔽状態にあるオブジェクトに対して、新鮮な予測を優先的に割り当てます。非発散または低リスクのトラックは、キャッシュされた予測を再利用するか、線形外挿へのフォールバックを行います。

3. 主な貢献

本論文は、以下の5つの具体的な貢献を行っています。

1. WorldFusion: ローカルに対して単一の共有シーンを構築する、RSUアンカー型の融合層。これは、車両ごとのフュージョンによる計算の冗長性と、初期融合による帯域幅コストを回避します。
2. Conductor サービス: 共有の追跡、軌道予測、および単一のマルチキャスト世界モデル更新を統合したエッジサービス。
3. デッドライン・クリフの特性評価: エッジハードウェア上での制御されていないフュージョン、追跡、および予測パイプラインが、車両密度が高まるとAoIを安全境界を超えさせることを示す測定研究。
4. 遮蔽を考慮したAV選択: 既存の信頼性マップを（追加の推論なしに）利用して、RSUのビューに対する限界的な検出価値に基づいてCAVを選択するセレクター。
5. デッドラインを意識した実行時制御: 融合するCAVの数と予測の範囲を共同で適応させ、300 msのAoI境界を厳格に維持するコントローラ。

4. 実験結果

システムは、最大31台のCAVを含む Multi-V2X データセットと、クローズドループ・シミュレーションプラットフォーム（CARLA + ns-3 5G 共同シミュレーション）を用いて評価されました。

• AoIの遵守: ジョイントコントローラ（Conductor）は、テストされたすべての密度（$N=24$まで）において、300 msのAoI境界を100%一貫して維持できる唯一のポリシーです。対照的に、静的なベースライン（すべてのCAVを融合する）および予測のみの適応策は、$N=16$を超えると、融合コストがレイテンシ予算を支配するため失敗します。
• 知覚品質:
  • 高遮蔽シナリオ（RSU遮蔽率 ~45%）において、遮蔽を考慮したセレクターを用いてわずか4台のCAVを選択することで、ランダム選択と「オラクル」（オフライン最適選択）の間の性能差の**87%**を回復します。
  • 低遮蔽シナリオでは、セレクターは主に計算コストを削減し、リコール（再現率）を損なうことなく機能します（RSUがすでにシーンの大部分をカバーしているため）。
• クローズドループ走行: 衝突シナリオ（左折車との衝突、および直進車との衝突）において：
  • **後期融合（Late Fusion）**は、センサーデータの欠如により、遮蔽シナリオにおいて失敗します。
  • **静的協調融合（Static Cooperative Fusion）**は、高負荷シナリオにおいて、世界モデルが到着する頃にはあまりに古すぎる（AoI > 300 ms）ため、衝突やブレーキ機会の喪失を招き、失敗します。
  • Conductor (Joint) は、遮蔽条件下および高負荷条件下においても、高い運用成功率（0.90–1.00）と健全な衝突時間（Time-to-Collision）マージン（2.1–2.6 s）を維持します。

5. 重要性と主張

本論文は、鮮度はシステムレベルの特性であり、個々のコンポーネントを単独で最適化することでは保証できないと主張しています。Conductorの重要性は、協調的な知覚、追跡、および予測を、統一されたデッドラインの下での単一のスケジューリング問題として扱う能力にあります。

著者らは、彼らのアプローチが衝突の自由を保証するものではないものの、「受け入れ失敗（遮蔽による脅威の見落とし）」と「鮮度失敗（遅延による脅威の見落とし）」を大幅に減少させることを強調しています。融合する車両数と予測の鮮度を動的にトレードオフすることで、Conductorは、従来のシステムがレイテンシ制約のために失敗するような高密度な交通条件下でも、協調的なセンシングの利点（遮蔽されたオブジェクトの回復）を維持します。この研究は、エッジサービスが物理的な安全限界を遵守するために計算予算を能動的に管理できるのであれば、共有されたマルチキャスト世界モデルが、スケーラブルなCAVコーディネーションのための実行可能かつ必要なアーキテクチャであることを示しています。