nuScenesにおけるエンドツーエンド自動運転のオープンループ評価の再考

現代の自律走行システムは一般的に、認識（perception）、予測（prediction）、計画（planning）の3つの主要なタスクに分類される。計画タスクは、内部の意図と外部環境からの入力に基づいて、自車両の将来軌道を予測し、それに応じて車両を制御することを目的とする。現在の多くの研究では、nuScenesデータセット上で、予測された軌道と真値（ground truth）との間のL2誤差および衝突率を用いて性能を評価している。本論文では、これらの既存の評価指標が異なる手法の優位性を正確に測定しているかどうかを再評価し、その妥当性を検討する。具体的には、カメラ画像やLiDARデータなどの認識や予測情報を利用せずに、過去の軌道や速度などの生のセンサーデータを入力として受け取り、直接的に自車両の将来軌道を出力するMLPベースの手法を提案する。このシンプルな手法は、認識ベースの手法と同等のエンドツーエンド計画性能をnuScenesデータセット上で達成し、平均L2誤差を約20%低減した。一方で、認識ベースの手法は衝突率という観点では優位性を示した。さらに、nuScenesデータセットにおける計画タスクの成功に不可欠な要因について深く分析し、新たな知見を提示する。本研究の観察結果から、現在のnuScenesにおけるエンドツーエンド自律走行システムのオープンループ評価方式を見直す必要があることが示唆される。コードは以下のGitHubリポジトリで公開されている：https://github.com/E2E-AD/AD-MLP。