技術要約: Aero-VPA

問題提起

障害物が密集した3D環境における自律航行には、最寄りの障害物に到達するまでに必要な時間のわずかな割合で、オンボードセンシングをモーターコマンドへと変換する必要がある。モジュール式パイプライン（視覚慣性オドメトリ、マッピング、軌道最適化）が主流であるが、これらはレイテンシを発生させ、明示的なマップへの結合をもたらす。学習ベースのセンサーモータ・ポリシーは堅牢性を提供するが、多くの場合、自己回帰型デコーダを持つVision-Language-Action (VLA) モデルに依存している。これらのデコーダは、アクションホライゾンに比例する逐次的なフォワードパスを必要とし、メモリ帯域幅によって制限されるレイテンシの底辺を生み出す。エッジハードウェア（例：NVIDIA Jetson Orin Nano）において、3Bパラメータのモデルは1回のパスに数百ミリ秒を要することがあり、これではアジャイルな飛行は不可能である。さらに、標準的な模倣学習（Behavior Cloning）は、クローズドループにおいて「因果的混乱（causal confusion）」により失敗することが多い。これは、ポリシーが環境に反応するのではなく、直前に発行されたコマンドをコピーすることを学習してしまう現象であり、コマンドがもはや最適ではなくなった際にドリフトや失敗を引き起こす。

手法: Aero-VPA アーキテクチャ

Aero-VPAは、自己回帰型デコーディングを短く固定されたネットワークの連鎖に置き換えた、エッジハードウェア向けの軽量なVision-Predictor-Action (VPA) フレームワークである。このアーキテクチャは、主に以下の3つのコンポーネントで構成される。

1. 非再構成型 JEPA ワールドモデル:

   • エンコーダ: コンパクトなRGB-D Vision Transformerが、観測データを潜在空間へとマッピングする。
   • プレディクタ: 5つのヘッドを持つアンサンブル・プレディクタ（Joint-Embedding Predictive Architecture）が、現在の潜在状態、プリミティブセレクタ、および最後に発行されたセットポイントを条件として、次の潜在状態を予測する。決定的なのは、ピクセルではなく埋め込み（embeddings）を予測することであり、これによりタスクに関係のない外観のモデリングを回避している。
   • 学習: エンコーダとプレディクタは、ピクセル再構成を行わずに、表現崩壊を防ぐためのVICReg正則化を用いて共同で学習される。

2. Conditional Flow-Matching (CFM) ソルバー:

   • 反復的なデノイジング（10〜100ステップを必要とする）の代わりに、Aero-VPAは学習された常微分方程式（ODE）を積分することにより、アクションチャンク（速度およびヨーレートのセットポイント）を生成するCFMソルバーを使用する。
   • 効率性: ソルバーはわずか $K=2$ ステップのオイラー法を必要とするため、決定あたりの逐次深度は5回のネットワーク評価（$K+3$）となり、アクションホライゾンに依存しない。
   • ノイズの持続性: チャンクの一貫性を確保するため、プリミティブが変化しない限り、初期ノイズベクトルは決定間で再利用され、連続するチャンク間の変化を制限する。

3. 安全メカニズム:

   • 潜在的不確実性フォールバック: アンサンブル・プレディクタの分散からエピステミック不確実性スコアを生成する。このスコアが閾値を超えた場合、システムは最小ジャークのブレーキ動作（ホバリング）をトリガーする。
   • ランタイム・セーフティ・シールド (Version 2 追加分): 初期の評価失敗後に加えられる決定論的なマップフリー層。これは、現在の視野の外にある障害物を扱うために、深度リターンの15秒間のボクセルメモリを保持する。これは、制御バリア関数（Control Barrier Functions）を用いてバリア制約を強制し、視野外への動きを制限し、車両が失速したり記憶された障害物に接近したりした場合にリカバリ動作（後退、押し戻し）を実行する。

主な貢献

• Aero-VPA 定式化: JEPAベースの潜在ワールドモデルと、エッジ展開に適した5回のネットワーク評価の逐次深度を実現するCFMソルバーを用いた、ゴール条件付きPOMDP定式化。
• 潜在不確実性安全層: アンサンブルの分散から導出される不確実性スコアにより、速度減衰則とアクションチャンクの有効期間を駆動し、モデルフリーのブレーキエンベロープによって補完される。
• 非同期エッジ展開: PX4オフボードインターフェース向けに設計された、2レートアーキテクチャ（推論ループ vs 固定レートのエグゼキュータ）。これには、レイテンシ補償付きのチャンクインデックスと連続的なブレンディングが含まれる。
• クローズドループ診断: 行動のショートカット（直前のセットポイントの繰り返し）を特定する厳密な分析を行い、DAgger単体では、このショートカットを除去しない限りプラトーに達することを実証した。
• マップフリー・ランタイム・シールド: 盲点（ブラインドスポット）を管理し、グローバルマップなしで安全制約を強制することで、森林のような高密度環境における成功率を大幅に向上させる決定論的なシールド。

実験結果

評価は、プロシージャルに生成された森林を用いたPX4 Software-in-the-Loop (SITL) シミュレーションで実施された。

• Behavior Cloning の失敗: 標準的なBehavior Cloning (BC) は、低いオープンループ誤差（0.02–0.04 m/s）にもかかわらず、60件のテストミッションすべてで失敗した（成功率0%）。入力スワップテストにより、ポリシーがシーンに反応するのではなく、直前に発行されたセットポイント ($\bar{a}_t$) をコピーしていることが確認された。
• DAgger のプラトー: 特権的な安全ゲート付きスーパーバイザーを用いたDAggerは、最初の成功（第1ラウンドで21.1%）を達成したが、その後のチェックポイントを通じて11.1–21.1%で停滞した。ポリシーは、訓練後も引き続き「コピーキャット」のショートカットに依存していた。
• ランタイム・シールドの影響: DAggerポリシーにマップフリー・ランタイム・シールドを追加することで、劇的な改善が見られた：
  • 成功率: 第1ラウンドのポリシーにおいて、21.1%から52.2%（95% CI [45.0, 59.4]）へと増加し、全6つのチェックポイントを通じて30.0–34.4パーセントポイントの利得を得た。
  • 衝突: 72.2%から22.2%に減少した。
  • トレードオフ: シールドが保守的になり、衝突を防ぐために盲点での速度を落としたため、タイムアウトは2.8%から23.3%に増加した。
  • 速度: 平均速度は1.16–1.36 m/sであり、エキスパートのデモンストレーション速度（3–7 m/s）よりも大幅に低かったが、安定していた。
• 失敗分析: シールドは、失敗を衝突からタイムアウトへと正常に移行させた。しかし、シールド自身の失敗（リカバリ動作中の衝突）は、視野外の障害物や垂直方向のダイナミクスを扱う上での限界を浮き彫りにした。

意義と主張

本論文は、重い自己回帰型デコーダを軽量な数ステップのフローマッチング制御ループに置き換えることで、Aero-VPAがエッジハードウェア上でのアジャイルな飛行に向けた実行可能な経路を示すものであると主張している。主な意義は、クローズドループ診断にある。著者は、オフラインの指標（オープンループ誤差など）は誤解を招く可能性があり、ポリシーがクローズドループで致命的に失敗する「コピーキャット」のショートカットを学習する場合があることを示している。

著者は、ランタイム・シールドが性能を大幅に向上させたものの、システムはまだ物理的な飛行には準備ができていないと控えめに述べている。現在の成功率（約50%）と速度は、アジャイルな飛行という目標（3–7 m/s）には遠い。本論文は、ランタイム・シールドが、さらなる模倣学習よりもクローズドループ評価における成功の主要な要因であったことを強調している。本研究は、ハードウェア・イン・ザ・ループ（HIL）テストにおいてレイテンシと安全性の仮説を満たすことを前提として、物理的な試行のためのプロトコルとアーキテクチャを確立している。著者は、現在の評価がシミュレーション、静的な環境、および単一のトレーニングシードに限定されていること、およびターゲットとなるJetsonハードウェア上での組み込み展開のタイミングがまだ測定されていないことを明記している。