ReasonNet：時系列的かつグローバルな推論を備えたエンドツーエンドドライブ

自律走行車の大規模な展開はまだ先の話であり、その最大の課題の一つは都市部の混雑した交通状況における対応にある。このような状況下では、シーンの将来の進化や物体の将来の行動を予測することが依然として困難であり、遮蔽された物体が突然出現するような稀な悪条件事象に対処するのも困難である。本論文では、ドライブシーンにおける時間的およびグローバルな情報を広く活用する新たなエンドツーエンド走行フレームワークであるReasonNetを提案する。本手法は、物体の時間的行動を推論することで、異なるフレーム間の特徴間の相互作用や関係性を効果的に処理できる。また、シーンのグローバル情報を推論することにより、全体的な認識性能の向上が図られ、特に遮蔽された物体からの潜在的な危険の予測を含む悪条件事象の検出に寄与する。遮蔽事象に対する包括的な評価を可能とするため、多様な遮蔽事象を含むドライブシミュレーションベンチマーク「DriveOcclusionSim」を公開した。複数のCARLAベンチマーク上で広範な実験を実施した結果、本モデルは従来のすべての手法を上回り、公開CARLAリーダーボードのセンサートラックで首位を獲得した。