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/知識蒸留arXiv:2607.10565

BucketKD: エンドツーエンド動作計画のための安全性を考慮したバケットベース知識蒸留フレームワーク

BucketKD: A Safety-Aware Bucket-Based Knowledge Distillation Framework for End-to-End Motion Planning

シェア:XThreadsFacebookLINEはてブBluesky

自動運転のエンドツーエンド動作計画モデルを小型化するため、環境変数を適応的バケットに離散化し、衝突時間に基づく安全性重視のウェイポイント注意機構を導入した知識蒸留フレームワークを提案した。

詳しい要約

1. どんなもの?

BucketKDは、エンドツーエンドの自動運転用運動計画モデルを圧縮するための、安全性を考慮したバケットベースの知識蒸留フレームワークである。大規模な教師モデルの知識を、リソース制約のあるプラットフォームでも展開可能な小型の学生モデルに転移する。

2. 先行研究と比べてどこがすごい?

先行研究のSOTA手法は簡略化されたプランニング状態表現に依存していたのに対し、BucketKDは環境の重要な変数を適応的なバケットに離散化することで、よりリッチなシーン意味情報を捉えつつ効率性を維持する点が優れている。さらに、時間衝突(TTC)に基づく安全性認識ウェイポイントアテンション機構を導入し、蒸留中に安全上重要な行動を保持する点も新しい。

3. 技術・手法の肝は?

手法の核は、(1) 環境変数を適応的バケットに離散化してシーン意味情報を効率的に表現すること、(2) 各ウェイポイントのリスクを障害物近接性と相対運動(TTC)の両方で評価する安全性認識ウェイポイントアテンション機構を設計し、学生モデルが安全上重要な行動を蒸留中に保持できるようにすること。

4. どうやって有効だと検証した?

CARLAシミュレータとBench2Driveデータセットを用いた広範な実験により、プランニング精度と安全性の両方でSOTAを大幅に上回り、強い圧縮率を維持することを検証した。

5. 議論はある?

要旨からは、バケットの適応的決定方法やTTC計算の詳細、他のデータセットや実車での検証、計算コストと精度のトレードオフなどに関する議論は不明。また、安全性指標の具体的な定義や、提案手法の限界についても言及がない。

6. 次に読むべき論文は?

要旨で参照されているSOTA手法(簡略化されたプランニング状態表現を用いた知識蒸留アプローチ)や、TTC(Time-to-Collision)を導入した交通研究、CARLAシミュレータやBench2Driveデータセットを用いた関連研究。具体的には、エンドツーエンド運動計画の知識蒸留に関する論文や、安全性を考慮したプランニング手法の論文が挙げられる。

※ 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: Md Nahidul Islam, Mohd Hasan Ali, Dipankar Dasgupta, Myounggyu Won

分類: cs.RO, cs.LG

原文アブストラクト

End-to-end motion planning has emerged as a promising paradigm in autonomous driving, directly mapping raw sensor data to control commands via deep neural networks. Despite its advantages, its large model size hinders deployment in resource-constrained platforms. In this paper, we present BucketKD, a bucket-based knowledge distillation framework that yields compact and safety-aware end-to-end planners. Compared to the state-of-the-art approach, which relies on simplified planning state representations, BucketKD discretizes critical environmental variables into adaptive buckets that capture richer scene semantics while preserving efficiency. In addition, we design a safety-aware waypoint attention mechanism that evaluates each waypoint's risk level by accounting for both obstacle proximity and relative motion through a time-to-collision (TTC) formulation widely used in transportation research. This enables the student model to better retain safety-critical behaviors during distillation. Extensive experiments in CARLA using the Bench2Drive dataset show that BucketKD significantly outperforms the state-of-the-art in both planning accuracy and safety while maintaining strong compression ratios.

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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI