ReflexDiffusion: 自動運転における高横加速度シナリオ向け反射強化型軌道計画

- 自動運転の長尾シナリオ、特に急旋回などの高横加速度操作における軌道計画の安全性を高める手法。 - ReflexDiffusion という推論段階のフレームワークで、diffusion-based trajectory planner を反射的調整により強化する。 - 勾配ベースの調整機構を反復 denoising 過程に導入し、条件付きノイズ予測と無条件ノイズ予測の勾配を計算して重要条件信号を増幅する。 - これにより物理制約への厳密な従属を強制し、高横加速度操作時の安定性を改善する。 - nuPlan Test14-hard benchmark で評価し、高横加速度シナリオの driving score を SOTA 比 14.1% 改善。 - アーキテクチャ非依存の設計で既存の diffusion-based planner に直接展開可能。

- 既存の軌道計画器はデータ不均衡により高横加速度シナリオで系統的に失敗し、車両動力学・道路幾何・環境制約のモデリングが不十分だった。 - ReflexDiffusion は推論段階で軌道最適化を行うことで、訓練データの疎さを動的に補償し、安全上重要な制約を処理限界付近で強化する。 - これにより SOTA 手法と比較して高横加速度シナリオの driving score が 14.1% 向上。 - アーキテクチャ非依存で既存の diffusion-based planner に直接適用できる点が実用的。

- diffusion-based trajectory planner の反復 denoising 過程に、勾配ベースの調整機構を導入。 - 各標準軌道更新後に、条件付きノイズ予測と無条件ノイズ予測の間の勾配を計算。 - この勾配を用いて道路曲率や横方向車両動力学などの重要条件信号を明示的に増幅。 - 増幅により物理制約への厳密な従属を強制し、高横加速度操作時の車両-道路相互作用の精度を高める。 - 推論段階の最適化であり、訓練データの疎さを動的に補償する。

- nuPlan Test14-hard benchmark で評価。 - 高横加速度シナリオにおいて、driving score が SOTA 手法比で 14.1% 改善することを示した。 - これにより推論時軌道最適化が訓練データの疎さを補償し、安全上重要な制約を強化できることを実証。

- 推論時軌道最適化が訓練データの疎さを効果的に補償し、処理限界付近で安全上重要な制約を動的に強化できることを示唆。 - アーキテクチャ非依存の設計により既存の diffusion-based planner に直接展開可能で、困難な運転条件での自動運転安全性向上に実用的な解決策を提供。 - 限界や失敗事例、計算コスト、他の長尾シナリオへの一般化については要旨からは不明。

- 要旨で参照/比較されている研究: SOTA 手法（具体的名称は要旨からは不明）、diffusion-based trajectory planner、nuPlan Test14-hard benchmark。 - 関連手法: diffusion model を用いた軌道計画、推論時最適化、勾配ベースの条件付け強化。 - 同分野の定番: nuPlan ベンチマークを用いた軌道計画手法、自動運転の長尾シナリオ向け planner。