技術要約：自動運転のためのCNN、Transformer、およびハイブリッド物体検出アーキテクチャに関するPRISMAに基づく批判的レビュー

問題提起

物体検出は自動運転車（AV）にとって安全に直結する知覚の基盤であるが、この分野はベンチマークの精度と実世界へのデプロイメント準備態勢との間に乖離がある。既存の文献は畳み込みニューラルネットワーク（CNN）、Transformer、およびハイブリッドアーキテクチャの進化を広範にカタログ化しているものの、これらのレビューはデプロイメントに関するエビデンスの体系的な評価に失敗していることが多い。公開データセットで優れた性能を示す検出器が、悪天候下で失敗したり、遠方の歩行人を見逃したり、あるいは組み込み自動車用ハードウェアのレイテンシ制約を超過したりするという重大なギャップが存在する。さらに、データセット、ハードウェアプラットフォーム、数値精度、および評価プロトコルの不一致により、研究間の比較がしばしば無効となっている。対処すべき核心的な問題は、単にモデルをベンチマーク指標に基づいてランク付けするのではなく、その検出器が真にデプロイメントの準備ができているかどうかを判断するための、体系的かつエビデンスに基づいた手法が欠如していることである。

手法

本レビューは、再現性と監査可能性を確保するために、PRISMA 2020に従った体系的なアプローチを採用している。

• 検索プロトコル: 2015年1月から2026年6月まで、6つの書誌データベース（Scopus, Web of Science, IEEE Xplore, ACM Digital Library, ScienceDirect, SpringerLink）を検索した。検索対象は、自動運転シナリオにおける物体検出に焦点を当てた査読済み論文およびフルカンファレンス論文とした。
• 選択基準: 道路交通シーンにおける物体検出を評価し、定量的な指標を伴う定義されたアーキテクチャとデータセットを特定している研究を対象とした。Camera-LiDARおよび3D検出の研究は、コンテキスト上のカテゴリとしてのみ保持し、コアとなる合成はカメラベースの2D検出に焦点を当てた。
• データ合成: 初期プールである1,980件の記録から、重複排除とスクリーニングを経て、142件の適格な研究が含まれた。
• 比較可能性プロトコル: エビデンスの比較可能性に関する厳格なプロトコルを確立した。データセットのスプリット、指標の定義、IoU閾値、入力解像度、ハードウェアプラットフォーム、数値精度、および推論実行時間が一致する場合にのみ、結果は比較可能とみなされる。これらの条件を満たさない場合、結果は数値的なランキングではなく、エビデンスの範囲または定性的な記述として合成される。
• 品質評価: データセットの透明性、指標の定義、ハードウェアの報告、再現性、およびロバスト性の評価に関する10項目の基準を用いたルーブリックを適用した。

主な貢献

本論文は、この分野に対して主に3つの貢献を行う。

1. 統一されたタクソノミー（分類学）: 検出器のファミリーを単なるラベル（例：「YOLO」や「DETR」）ではなく、どのように、かつどこで局所的（畳み込み）表現とグローバル（アテンション）表現を統合するかによって分類するシステムである。このタクソノミーは、特定の設計上の選択（逐次、並列、またはインターリーブされた統合）を、AV特有の運用上の課題および失敗条件に結びつける。

2. エビデンス比較可能性プロトコル: 報告された精度、レイテンシ、およびロバスト性が有効に比較できる条件を定義する一連のルール。このプロトコルは、デスクトップGPUのフレームレートを組み込み環境での実現可能性のエビデンスとして引用するといった、誤解を招く一般的な研究間比較の要因を明らかにする。

3. AV物体検出デプロイメント準備態勢フレームワーク（AVOD-DRF）: 公開されたエビデンスを11次元のデプロイメント準備態勢プロファイルへと変換する新しい手法である。これらの次元には以下が含まれる：

   • 走行データにおける精度
   • 小物体に対する感度
   • 指定されたハードウェア上での推論レイテンシ
   • ハードウェア依存性（精度、実行時間、バッチサイズ）
   • パラメータおよびメモリ負荷
   • 天候および照明に対するロバスト性
   • 遮蔽（オクルージョン）およびドメインシフトへの耐性
   • クロスデータセットの汎化性能
   • 不確実性の報告およびキャリブレーション
   • 再現性（コード、重み、構成）

   決定的なことに、本フレームワークは「エビデンスの欠如（スコア0）」と「低いパフォーマンス」を区別しており、ベンチマーク重視の研究が、問い自体を立てていない事項によって不当に低評価を受けることを防いでいる。

主な結果と知見

142件の研究の分析により、大幅な報告のギャップと特定のアーキテクチャ上のトレードオフが明らかになった。

• 報告のギャップ:
  • 自動車用またはエッジ用ハードウェア上でのレイテンシを評価している研究はわずか**13%**であった。
  • 悪天候または低照度条件を評価しているのはわずか**19%**であった。
  • クロスデータセット検証を行っているのはわずか**15%**であった。
  • 不確実性の推定を行っているのはわずか**6%**であった。
  • エネルギーまたは電力消費量を報告しているのはわずか**5%**であった。
• アーキテクチャのトレードオフ:
  • CNN（ワンステージ）: 成熟したツールチェーン、決定論的な実行時間、および効率的な組み込み最適化（例：INT8量子化）により、レイテンシに敏感なデプロイメントにおいて優位にある。しかし、グローバルなコンテキスト、長距離の小物体、および分布シフト（悪天候）に対して脆弱である。
  • Transformer（クエリベース）: グローバルな自己注意（self-attention）とセット予測（NMSの排除）により、混雑した場面や遮蔽された場面で優れた性能を発揮する。しかし、マルチスケール・アテンションを使用しない限り、小物体への精度、高いメモリ消費、および組み込みハードウェアにおけるオペレータ・サポートの未成熟さに課題がある。
  • ハイブリッド: 局所的推論とグローバルな推論を組み合わせる。これらはベンチマークにおける精度と計算量のフロンティアを改善するが、そのデプロイメントコスト（量子化の困難さ、オペレータ融合の問題）は系統的に過小評価されている。独自のハイブリッドAV検出器を独立して複製した研究は存在せず、産業界の主張は検証不可能である。
• ロバスト性: すべてのファミリーは、悪条件下、ドメインシフト、および敵対的攻撃の下で大幅に劣化する。単一のファミリーが普遍的にロバストであることはなく、文献内では「ロバスト性」という言葉が、異なる失敗要因（自然な破損 vs 敵対的摂動）の間で混同されていることが多い。
• リアルタイム実現可能性: 成熟したワンステージCNNのみが、指定された精度とともに、名前の付いた組み込み自動車用ハードウェア上でのリアルタイム動作を実証している。Transformerおよびハイブリッド検出器はデスクトップ環境でのスループットを示しているが、その組み込み準備態勢は、公開されたエビデンスからはまだ証明できていない。

意義と主張

本論文は、新しい検出器を提案するものではないことを明示している。その意義は、従来のレビューに欠けている合成、比較規則、および意思決定ロジックを提供することにある。

• 焦点の転換: 本レビューは、自動運転の知覚に向けた進歩は、さらなるベンチマーク精度の向上よりも、標準化されたエビデンス（名前の付いたハードウェア上でのレイテンシ、制御された条件下でのロバスト性、クロスデータセットでの劣化、校正された不確実性）に依存していると主張している。
• 実行可能なフレームワーク: AVOD-DRFは、研究者が新しい検出器をプロファイリングするため、またAV開発チームが候補をODD（運行設計領域）要件と比較するための再利用可能な手法として提供される。
• 研究アジェンダ: 本論文は、検証可能な検証プロトコルを伴う6つの研究アジェンダを提示し、以下を求めている：
  1. 標準化された悪条件ベンチマーク。
  2. ハードウェアに正規化されたレイテンシおよびエネルギー報告。
  3. クロスデータセットおよびクロス地理検証。
  4. 未知のハザードに対するオープンワールドおよびビジョン・ランゲージ検出。
  5. 不確実性を考慮した、証明可能な検出。
  6. 忘却のセーフガードを備えた継続的およびフリート学習。

著者らは、どの検出器ファミリーも普遍的に優れているわけではないが、デプロイメントの適合性はアプリケーションの制約に厳密に依存すると結論付けている。提案されたフレームワークにより、ベンチマークの性能だけでなく、実世界の準備態勢に基づいた、エビデンスに基づくAV物体検出器の選択が可能となる。