視覚マスクと緊急ブレーキを備えたGatedVLA：AlpaSim閉ループ走行チャレンジ技術報告

- 本報告は PAI-AV track への提出手法 GatedVLA の技術報告 - 学習型 vision-language-action (VLA) policy を構築 - driving-pretrained な Qwen-Drive-1.0-4B vision-language model を使用 - layer-wise flow-matching action expert を組み合わせる - 出力は 2.5 s horizon の acceleration と curvature controls - expert の cross-attention に soft visual mask を適用 - 展開時に rule-based automatic emergency braking (AEB) を組み込む

- 同一条件で学習した baseline との比較を実施 - masked policy は open-loop error 全体では baseline と同程度 - 一方で left turns の error を低減 - local closed-loop 評価でも visual mask により mean scene score が改善傾向 - さらに AEB 追加で score が向上し at-fault collisions のシーン数が減少 - ただし mask 単体の改善は統計的に有意とは言えない (sign test p = 0.21)

- 核となるのは VLA policy の構成 - Qwen-Drive-1.0-4B を vision-language model として利用 - layer-wise flow-matching action expert が制御を生成 - 出力は 2.5 s horizon の acceleration と curvature - expert の cross-attention に soft visual mask を適用し視覚情報の寄与を調整 - 展開時は rule-based AEB module を併用 - AEB の詳細な設計は要旨からは不明

- open-loop 評価で baseline と比較 - local closed-loop 評価を 150 scenes、各 scene 2 rollouts で実施 - visual mask の効果 - mean scene score 0.479 → 0.517 (paired difference +0.038) - 95% bootstrap CI [-0.018, +0.093] - wins/losses 37/26、sign test p = 0.21 - AEB 追加の効果 - mean score 0.599 (+0.082, CI [+0.023, +0.143]) - at-fault collisions を含むシーン数 34.0 → 11.0

- visual mask の closed-loop 改善は CI が 0 を跨ぎ sign test も p = 0.21 で有意性は限定的 - open-loop では全体 error は同等で left turns のみ改善 - AEB による改善は CI が 0 を超え、collision シーン数も減少 - ただし AEB は rule-based であり学習 policy 自体の性能向上とは区別が必要 - 評価は 150 scenes の local closed-loop に限られ、一般化や実車性能は要旨からは不明

- 比較対象である identically trained baseline (visual mask なし) の詳細 - Qwen-Drive-1.0-4B vision-language model - layer-wise flow-matching action expert および flow-matching 系 action 生成手法 - soft visual mask を cross-attention に用いる手法 - rule-based automatic emergency braking (AEB) の関連研究 - PAI-AV / AlpaSim E2E Closed Loop Challenge の関連報告