MISTY: ミキサーベース単一ステップドリフトによる高スループット動作計画

本論文は、自動運転のための高スループットな生成型モーションプランナー MISTY を提案する。 - 目的: 安全な自動運転に必要な multi-modal trajectory generation を、低遅延で実現すること。 - 課題: 既存の diffusion-based planner は反復的な neural function evaluations により推論遅延が大きい。 - 提案: MISTY (Mixer-based Inference for Single-step Trajectory-drifting Yield) は純粋な single-step inference で closed-loop 性能を達成。 - 構成: vectorized Sub-Graph encoder、Variational Autoencoder、超軽量 MLP-Mixer decoder を統合。 - 性能: nuPlan benchmark の Test14-hard split で non-reactive 80.32、reactive 82.21 を記録。 - 速度: 99…

既存の diffusion-based planner と比較して、以下の点が優れている。 - 推論速度: 反復的な neural function evaluations を必要とせず、single-step inference で動作するため、iterative diffusion planner に対して order-of-magnitude speedup を実現。 - 性能: nuPlan benchmark の Test14-hard split において state-of-the-art を達成。 - 生成の多様性: latent-space drifting loss により、専門家デモにほとんど存在しない active overtaking などの proactive maneuvers を合成可能。 - 効率: MLP-Mixer decoder により quadratic attention complexity を排除し、超軽量。

技術の肝は以下の通り。 - vectorized Sub-Graph encoder: 環境コンテキストを捕捉。 - Variational Autoencoder: 専門家軌跡を 32 次元の compact latent manifold に構造化。 - ultra-lightweight MLP-Mixer decoder: quadratic attention complexity を排除。 - latent-space drifting loss: 複雑な分布進化を訓練段階に移行。 - 明示的な attractive force と repulsive force を定式化し、新規で proactive な maneuver を生成。 - 純粋な single-step inference を実現。

nuPlan benchmark を用いて評価。 - Test14-hard split で non-reactive 設定 80.32、reactive 設定 82.21 の comprehensive score を達成。 - 99 FPS 超、end-to-end latency 10.1 ms で動作。 - iterative diffusion planner に対して order-of-magnitude speedup を示し、かつ robust な生成を確認。 - 詳細な ablation study や比較手法の記載は要旨からは不明。

要旨からは不明。 - 限界や失敗ケース、計算資源、一般化性能に関する議論は記載されていない。 - 提案手法の安全性や解釈性に関する議論も要旨からは不明。

要旨で参照/比較されている研究や関連手法を挙げる。 - diffusion-based planner (iterative diffusion planner) - nuPlan benchmark - MLP-Mixer - Variational Autoencoder - 同分野の定番として、rule-based planner や imitation learning ベースの planner も関連。 - 具体的な論文名は要旨に記載がないため、上記の手法名をキーワードに調査することを推奨。