Foundation Models and Agentic AI for Autonomous Driving: A Systematic Review
本系統的レビューは、100を超える研究を統合して、基盤モデル、エージェンティックAI、および協調型V2Xシステムを統合した統一的な9つのテーマからなる分類学を提示するものであり、自動運転のための包括的な認知アーキテクチャの観点から、推論と効率性のトレードオフ、シミュレーションから現実へのギャップ、および安全ガバナンスを共同で扱うことで、先行するサーベイとは一線を画している。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
真の自動運転車への道のりは、長らく特定の種類のエンジニアリング、すなわち、あるコンピュータ部品が世界を認識し、別の部品が行動を決定し、第三の部品がハンドルを切るという、硬直した組み立てラインによって舗装されてきました。長年、このモジュール方式は車を動かし続けるには十分機能してきましたが、現実世界の乱雑で予測不可能な性質に直面すると、苦戦してきました。人間のドライバーは、単に赤信号を見るだけではありません。彼らは、建設現場の文脈や、歩行者の意図、接近する救急車の緊急性を理解しながら、同時に自分の行動を乗客に説明します。この硬直したコードと人間のような直感との間の溝を埋めるために、研究者たちは「基盤モデル（foundation models）」として知られる新しいクラスの人工知能に注目し始めました。これらは膨大な量のテキストと画像で学習された巨大なシステムであり、言語と視覚を共に理解することができます。自動運転に応用される際、これらは車両を単なる自動化された機械から、複雑な交通状況について推論し、自らの選択を平易な英語で説明し、未経験のシナリオに適応できる「認知的なパートナー」へと変貌させることを約束しています。
インド、マレーシア、アラブ首長国連邦、およびサウジアラビアの研究機関によるチームが2026年9月に発表した包括的なレビューは、この急速に変化する展望を明らかにしています。A. Srinivaas氏とJeswin K F氏が率いる著者らは、単に新しいガジェットを列挙したのではなく、これらの強力な言語・視覚モデルがどのように自動運転の構造に織り込まれているかを理解するために、100以上の最近の研究を系統的に分析しました。彼らの研究は、この分野が孤立した知覚システムから、統合された「認知アーキテクチャ」へと移行していることを明らかにしています。この新しいビジョンにおいて、車は単にセンサーに反応するだけでなく、情報を収集するためのツールを使用し、他の車両や都市のインフラと協力して安全にナビゲートしながら、世界について能動的に推論しています。
このレビューは、これらのシステムがどのように構築されているかにおける重要な進化を強調しています。初期の試みは、見る機能と考える機能の別々のモジュールに依存していましたが、最新の研究は「Vision-Language-Action（視覚・言語・行動）モデル」に焦点を当てています。これらのシステムは、シーンを見る能力、それを記述する言語を理解する能力、そして車両の動きを直接制御する能力を、一つの結束したプロセスとして組み合わせます。例えば、単に歩行者を検知するだけでなく、これらのモデルを使用するシステムは、「スクールゾーン」と書かれた標識を理解し、歩行者がまだ見えていなくても減速すべきであると推論できます。研究者らは、DriveMLMやTeLL-Driveといったフレームワークが、意思決定を改善し、車が考える時間を短縮できることをすでに実証していることを見出しました。CARLAと呼ばれるシミュレーション環境を用いた特定のテストでは、DriveMLMというモデルが、視覚的理解と計画決定をより良く一致させることにより、CARLA Town05 Longの走行スコアにおいて4.7ポイントの向上を実現しました。
しかし、完全な自動運転の未来への道のりは大きな障害なしには進めず、レビューはコンピュータ・シミュレーションで機能することと、実際の路上で機能することを慎重に区別しています。著者らは、持続的な「シミュレーションと現実のギャップ（sim-to-real gap）」を指摘しています。多くの高度なモデルがCARLAやnuScenesのような仮想世界では目覚ましい性能を発揮しますが、現実世界の条件に移すと苦戦することがよくあります。このギャップは甚大であり、場合によっては、協調型知覚システムの性能がシミュレーション環境から実世界に移る際に最大40パーセントも低下します。これは、シミュレーションの完璧で予測可能なデータが、実際の交通、天候、および人間の行動の混沌とした予測不可能性を完全には捉えきれないためです。さらに、これらのモデルを賢くしているまさにその特徴、すなわち複雑な思考の連鎖を通じて推論する能力が、同時に彼らを遅くさせています。大規模言語モデルが「考える」のにかかる時間は、緊急時に求められる瞬時の判断には長すぎる可能性があり、知能と速度の間の困難なトレードオフを生み出しています。
このレビューのもう一つの重要な発見は、統一された安全フレームワークの欠如です。現在、安全チェック、車両間の通信、および人工知能自体は、しばしば別々の問題として扱われています。研究者らは、これらのシステムが信頼されるためには、推論プロセスの中に安全検証を直接組み込む包括的なアプローチが必要であると主張しています。彼らは、都市の高度に詳細な仮想複製である「デジタルツイン」を使用してこれらのシステムをテストする進展は見られるものの、これらのデジタル世界が現実とどの程度一致しているかを測定する標準化された方法が存在しないと指摘しています。この標準がなければ、車が本当に公道に対して安全であると証明することは困難です。また、レビューは「エージェンティックAI（agentic AI）」という新たな概念にも触れています。これは、車が記憶を持ち、ツールを使用できる独立したエージェントとして機能するというものです。これは、経験から学び、互いに協力し合える車両の可能性を提示していますが、著者らは、これらのシステムはまだ初期段階にあり、相互運用性と信頼性の課題に直面していると警告しています。
論文は、次世代の自動運転は単一の画期的な進歩によって定義されるのではなく、いくつかの複雑な技術の統合によって定義されることを強調し、明確なロードマップを提示して締めくくられています。研究者らは、未来は伝統的な制御システムのスピードと、大規模言語モデルの推論力を組み合わせ、さらに車同士や都市インフラと通信できる強固な通信ネットワークによって支えられるハイブリッド・システムにあると示唆しています。彼らは、これらのシステムが現実のものとなるためには、業界が、これらの強力なモデルをリアルタイムで使用できるほど速く、認証できるほど安全に、そして人間が信頼できるほど透明にするという問題を解決しなければならないと強調しています。単に車線を追従する車から、世界を理解し、それについて推論する車への旅はすでに始まっていますが、最後の1マイルには、人工知能とエンジニアリングにおける最も困難な課題のいくつかを解決することが求められています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。