日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

自動運転arXiv:2606.21509

一針先に縫う:エンドツーエンド自動運転における認識更新下でのポリシー互換性の維持

A Stitch in Time Saves Nine: Preserving Policy Compatibility Under Perception Updates in End-to-End Autonomous Driving

シェア:XThreadsFacebookLINEはてブBluesky

エンドツーエンド自動運転で認識モデルを更新した際に、固定された下流ポリシーとの互換性を軽量な潜在空間アライメント(モデルステッチ)で保てるかを検証し、再学習や微調整に比べ大幅な時間削減を実現した。

詳しい要約

1. どんなもの?

- 本論文は、end-to-end autonomous drivingシステムにおけるperceptionモデルの更新が下流のpolicyの性能を劣化させる問題に対処する。 - モデルスティッチング問題を定式化し、軽量なlatent-space alignmentによってpolicy compatibilityを維持できるという仮説を検証する。 - 線形および畳み込みスティッチャー(linear and convolutional stitchers)を検討し、更新されたperceptionモジュールと凍結された下流policyモジュール間の互換性を回復させる。 - 実験では、ランダム初期化、センサー構成、訓練ドメインの変化を含む多様なperception更新下で、スティッチングが下流の運転行動を効果的に保持することを示す。 - 最も困難なnuScenesからCARLAへのクロスドメイン設定では、畳み込みスティッチングがno-shift driving scoreの91%以上を維持し、適応時間を22.18時間から0.91時間に短縮する。 - モデルは論文採択後にオープンソース化される…

2. 先行研究と比べてどこがすごい?

- 既存の解決策はpolicyの再訓練やアーキテクチャの分離に依存しており、多大な計算コストと検証コストを伴う。 - 本論文は、軽量なlatent-space alignmentによるモデルスティッチングを提案し、再訓練やファインチューニングに代わる計算効率の良い代替手段を提供する。 - 具体的には、線形および畳み込みスティッチャーを用いて、更新されたperceptionモジュールと凍結された下流policyモジュール間の互換性を回復する。 - 実験により、スティッチングが多様なperception更新下で下流の運転行動を効果的に保持することが示され、特にクロスドメイン設定で適応時間を大幅に短縮する。 - これにより、既存手法と比較して計算コストと検証コストを削減できる可能性を示唆する。

3. 技術・手法の肝は?

- end-to-end autonomous drivingシステムにおいて、perceptionとdecision-makingがlatent representationsを通じて密結合している点に着目。 - perceptionモデルの更新がlatent representationsを変化させ、固定された下流policyの性能を劣化させる問題をモデルスティッチング問題として定式化。 - 軽量なlatent-space alignmentによってpolicy compatibilityを保持できるという仮説を検証。 - 低複雑度のモデルスティッチング手法として、linear stitcherとconvolutional stitcherを検討。 - これらのスティッチャーを更新されたperceptionモジュールと凍結された下流policyモジュールの間に挿入し、互換性を回復させる。 - 具体的なアーキテクチャや学習方法の詳細は要旨からは不明。

4. どうやって有効だと検証した?

- 多様なperception更新下でスティッチングの有効性を検証。 - 更新の種類には、ランダム初期化の変化、センサー構成の変化、訓練ドメインの変化が含まれる。 - 最も困難なクロスドメイン設定としてnuScenesからCARLAへの転移を実施。 - 畳み込みスティッチングがno-shift driving scoreの91%以上を維持することを示す。 - 適応時間を22.18時間から0.91時間に短縮することを確認。 - これらの結果から、スティッチングが下流の運転行動を効果的に保持することを実証。

5. 議論はある?

- モデルスティッチングが、再訓練やファインチューニングに代わる効果的かつ計算効率の良い代替手段であることを示唆。 - 特にクロスドメイン設定において、適応時間の大幅な短縮と性能維持を両立できる可能性を示す。 - 一方で、スティッチング手法の限界や適用範囲、他のperception更新タイプへの一般化可能性については要旨からは不明。 - また、スティッチングが失敗するケースや、より複雑な更新に対する頑健性についての議論は要旨からは不明。 - モデルは論文採択後にオープンソース化される予定であり、今後の研究開発を支援する。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:policy retraining、architectural decoupling、fine-tuning。 - 関連手法:model stitching、linear stitcher、convolutional stitcher、latent-space alignment。 - データセット/ベンチマーク:nuScenes、CARLA。 - 同分野の定番:end-to-end autonomous driving、perception updates、policy compatibility。 - 具体的な論文タイトルは要旨に記載されていないため、上記の関連手法やデータセットをキーワードとして次に読むべき論文を探すことが推奨される。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yueyuan Li, Yifei Xiao, Mingyang Jiang, Xiang Zuo, Songan Zhang, Ming Yang

分類: cs.RO

原文アブストラクト

End-to-end autonomous driving systems tightly couple perception and decision-making through latent representations. Consequently, updates to perception models can alter these representations and degrade the performance of downstream policies that remain fixed. Existing solutions typically rely on policy retraining or architectural decoupling, both of which incur substantial computation and validation costs. In this paper, we formulate the model stitching problem for end-to-end autonomous driving and test the hypothesis that policy compatibility can be preserved through lightweight latent-space alignment. We study low-complexity model stitching methods, including linear and convolutional stitchers, for restoring compatibility between updated perception modules and frozen downstream policy modules. Experiments demonstrate that stitching effectively preserves downstream driving behavior under diverse perception updates, including changes in random initialization, sensor configuration, and training domain. In the most challenging cross-domain setting from nuScenes to CARLA, convolutional stitching retains over 91\% of the no-shift driving score while reducing adaptation time from \SI{22.18}{h} to \SI{0.91}{h}. These results suggest that model stitching provides an effective and computationally efficient alternative to retraining or fine-tuning for maintaining end-to-end autonomous driving systems. The model will be open-sourced upon paper acceptance at https://github.com/SCP-CN-001/model-stitching to support further research and development in autonomous driving.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI