LEAD: エンドツーエンド運転における学習者と専門家の非対称性の最小化

- 本研究は、シミュレータ上の end-to-end driving における imitation learning の閉ループ性能を制限する要因として、**learner-expert asymmetry**（学習者と専門家の非対称性）を実証的に分析するもの。 - 具体的には、特権的な expert の可視性の高さ（occlusion を無視できる等）と不確実性の低さ（他車の行動を既知とする等）が student の模倣を難しくする点を指摘。 - さらに、navigational intent（追従すべき経路）が test 時に単一の target point のみで under-specified になる問題も扱う。 - これらの非対称性を緩和する実践的介入を施した **TransFuser v6 (TFv6)** student policy を提案。 - CARLA の closed-loop benchmarks や NAVSIM、Waymo Vision-Based End-to-End driving benchmarks で評価。

- 先行研究と比べ、expert と student の間の **visibility** や **uncertainty**、navigational intent の under-specification といった非対称性を明示的に測定し、性能制限要因として実証的に扱った点が特徴。 - 単なる模倣学習の改善ではなく、非対称性を narrow する介入を設計し、その効果を CARLA 上で測定。 - 結果として **TFv6** が主要な公開 CARLA closed-loop benchmarks すべてで新たな state of the art を達成。 - Bench2Drive で **95 DS**。 - Longest6 v2 と Town13 では prior performances を **2倍以上** に改善。 - さらに sim-to-real pipeline に perception supervision を統合し、NAVSIM と Waymo Vision-Based End-to-End driving benchmark…

- 核心は、privileged expert demonstrations と sensor-based student observations の間の **learner-expert asymmetry** を分析し、それを狭める介入を施すこと。 - expert の高い visibility（occlusion 無視など）と低い uncertainty（他車行動の既知など）を student が模倣しやすい形に調整。 - navigational intent の under-specification に対し、test 時に単一 target point のみに依存しない実践的介入を導入（詳細な設計は要旨からは不明）。 - これらの変更を反映した **TransFuser v6 (TFv6)** student policy を構築。 - 加えて、独自 dataset からの perception supervision を shared sim-to-real pipeline に統合。

- **CARLA** の closed-loop benchmarks で評価。 - **Bench2Drive** で **95 DS** を達成。 - **Longest6 v2** と **Town13** で prior performances を **2倍以上** に改善。 - 主要な公開 CARLA closed-loop benchmarks すべてで state of the art を達成したと報告。 - さらに **NAVSIM** と **Waymo Vision-Based End-to-End driving benchmarks** で、perception supervision を統合した sim-to-real pipeline による一貫した gains を確認。 - 非対称性が driving performance を測定可能な形で制限することも CARLA 上で示した。

- 要旨では、expert と student の **visibility** と **uncertainty** の非対称性、および navigational intent の under-specification が閉ループ性能を制限することを実証。 - これらの非対称性を狭める介入が有効であることを示す一方、各介入の個別寄与や限界については要旨からは不明。 - sim-to-real への一般化可能性として NAVSIM と Waymo での gains を示すが、実車での検証や詳細な議論は要旨からは不明。 - code、data、models は公開予定/公開済みと記載。

- 要旨で直接参照/比較されている研究は明示されていないため、同分野の定番として以下が候補。 - **TransFuser** 系の先行研究（TransFuser、TransFuser v6 の前身）。 - **CARLA** の closed-loop benchmarks 関連（Bench2Drive、Longest6 v2、Town13）。 - **NAVSIM**、**Waymo Vision-Based End-to-End driving** benchmarks 関連の end-to-end driving 研究。 - imitation learning における **privileged expert** と sensor-based student の非対称性を扱う研究。 - ただし、要旨で具体的に比較対象として挙げられている論文は不明。