閉ループ認識型プランニング：模倣不要の速度スコアリングによるエンドツーエンド自動運転

- End-to-end autonomous driving のための planning head「CLAP-AD」を提案する研究。 - 既存の end-to-end 運転モデルに plug-in 可能な planning head。 - 経路(path)は imitation で学習し、速度(speed)は候補集合を学習関数でスコアリングして選択する枠組み。 - テスト時にユーザ指定の速度選好を明示的に制御できる点を特徴とする。 - Bench2Drive-Speed、Bench2Drive、NAVSIM v2 で評価。

- 従来の end-to-end 運転は open-loop imitation learning が主流で、専門家デモは1シナリオ1挙動のみ。 - そのため代替の有効挙動を学べず、テスト時のユーザ選好に適応できない問題があった。 - デモのノイズや曖昧さが一貫性のない監督信号になる問題もあった。 - CLAP-AD は speed-conditioned training なしでテスト時の速度選択制御を可能にした初の手法と主張。 - Bench2Drive-Speed で Speed-Adherence Score 82.53 を達成し、TFv6 を 12.9 点上回る SOTA。

- 運転の多様性は主に path ではなく speed に由来するという観察に基づく。 - path は imitation で学習。 - speed は候補集合を生成し、学習されたスコア関数で複数基準にわたり評価して選択。 - スコア関数は物理的に根拠のある安全制約(safety constraints)で監督。 - 既存 end-to-end モデルに統合できる plug-in planning head として実装。 - speed-conditioned training を必要としない設計。

- Bench2Drive-Speed で Speed-Adherence Score 82.53 を達成、TFv6 を 12.9 点上回る。 - Bench2Drive で UniAD 比 +28.5、VAD 比 +32.7 の driving score 改善。 - 実世界運転データに基づく NAVSIM v2 で、backbone 比 EPDMS +6.1。 - 閉ループ運転性能を維持しつつ速度遵守指標で SOTA を主張。

- open-loop imitation の限界(単一挙動監督、ノイズ・曖昧さ)への対処を動機とする。 - 多モーダル性を speed に帰着させる設計妥当性が議論点。 - 物理的安全制約による監督の一般化や、plug-in 先モデルへの依存性は要旨からは不明。 - テスト時速度選好制御の実運用上の受容性は要旨からは不明。

- TFv6(Bench2Drive-Speed の strongest baseline)。 - UniAD、VAD(比較対象の end-to-end 運転モデル)。 - Bench2Drive、Bench2Drive-Speed、NAVSIM v2 の関連研究。 - open-loop imitation learning に対する closed-loop 評価手法の文献。