CounterScene: 生成ワールドモデルにおける反実仮想因果推論による安全重視のクローズドループ評価

安全クリティカルな運転シナリオを生成するための、closed-loop generative BEV world model に構造化された counterfactual reasoning を付与するフレームワーク CounterScene を提案。安全なシーンに対し「因果的に重要な agent が異なる行動をとったら？」と問い、衝突を強制するのではなく危険な相互作用の原因を理解して生成する。

既存手法は heuristic な adversarial agent 選択と非構造的な perturbation に依存し、相互作用の依存関係を明示的にモデル化しないため realism-adversarial trade-off があった。CounterScene は causal adversarial agent identification と causal interaction graph によりこれを克服し、nuScenes で最強の adversarial effectiveness と優れた trajectory realism を両立。long-horizon collision rate を 12.3% から 22.7% へ改善し、ADE も 1.88 対 2.09 と良好。

1) causal adversarial agent identification で critical agent を特定し conflict type を分類。2) conflict-aware interactive world model で causal interaction graph を用いて動的な agent 間依存を明示的にモデル化。3) stage-adaptive counterfactual guidance で特定 agent に最小介入を行い、空間的・時間的安全マージンを除去しつつ自然な相互作用伝播でリスクを発生させる。

nuScenes での広範な実験により、CounterScene が全 horizon で最強の adversarial effectiveness と優れた trajectory realism を達成することを示した。long-horizon collision rate は最強 baseline の 12.3% から 22.7% へ向上し、ADE は 1.88 対 2.09 とよりリアル。さらに長い rollout で優位性が拡大し、nuPlan へ zero-shot 汎化して state-of-the-art realism を示した。

要旨からは不明。

要旨で参照・比較されている研究は明示されていない。関連手法として closed-loop generative BEV world models、adversarial scenario generation、counterfactual reasoning、causal interaction graph を用いた手法が挙げられる。