DriveAdapter: エンドツーエンドの自動運転における知覚と計画の結合バリアを打破する

エンドツーエンドの自動運転は、センサからの生データを入力とし、自車の計画軌道や制御信号を直接出力する完全に微分可能なシステムの構築を目指しています。最先端の手法は通常、「教師-生徒」パラダイムに従います。教師モデルは、特権情報（周囲のエージェントやマップ要素の真値状態）を使用して運転戦略を学習します。一方、生徒モデルは生センサデータのみにアクセスでき、教師モデルが収集したデータに対して行動複製を行います。計画学習時の知覚部分のノイズを排除することで、最先端の研究では結合型システムよりも大幅に少ないデータでより優れた性能を達成することが可能となりました。しかし、現在の「教師-生徒」パラダイム下では、生徒モデルが計画部からゼロベースで学習する必要があり、これは生センサ入力の冗長性とノイズ性、および行動複製における偶然的な混乱問題により困難である可能性があります。本研究では、強力な教師モデルを直接利用して計画を行い、生徒モデルには主に知覚部分に焦点を当てる可能性を探ることを目指しています。我々は、最先端の知覚モデルを使用しても、生徒モデルが教師モデルが必要とする入力を直接学習しようとすると走行性能が低下することを見出しました。これは予測された特権入力と真値との間にある大きな分布ギャップによるものです。この課題に対処するために、我々はDriveAdapterを提案します。これは、生徒（知覚）モジュールと教師（計画）モジュール間で特徴量合わせを行うアダプタを使用しています。さらに、純粋な学習に基づく教師モデル自体も不完全であり安全規則を時折破ることがあるため、これらの不完全な教師特徴量に対するマスクを使用した行動誘導型特徴量学習方法を提案し、手作りルールの事前知識を学習プロセスにさらに注入することを目指しています。