エンドツーエンド自律走行における衝突リスク推定：損傷予測に基づく手法

arXiv:2503.07425v2 Announce Type: replace-cross 本文書において提示されるのは、衝突リスクの推定と回避が自律走行（AD）システムの安全性において中心的な役割を果たしているという事実は、最近登場したエンドツーエンド型の AD システムが、計画軌道が他の物体に過近になることを罰するために損失を最小化することで衝突回避能力を獲得したという点です。試験段階において著しい衝突率が確認されていますが、多くのエンドツーエンドプランナーは、その出力において衝突リスクを明示的に定量化していません。これに対処するため、我々は最先端のエンドツーエンドプランナーから計画とモーショントークンを解釈して衝突リスクを推定する、効率的な Plug-and-Play モジュール「RiskMonitor」を導入しました。リスクモニターの考え方は、損失予測に基づく不確実性定量化に着想を得ており、それは「計画したウェイポイントに沿って衝突損失（エンドツーエンドプランナーを訓練する際に一般的に採用されている指標）が正値であるかどうか」を予測するものであり、衝突リスクの推定を二分類問題として枠組み化したものです。我々は、リアルワールドの nuScenes データセット（オープンループ）と、ニューラルレンダリングを基礎としたシミュレータ「NeuroNCAP」における閉ループ環境上で RiskMonitor を評価しました。我々のトークン駆動型アプローチは、決定論的なルール、ガウス混合モデル、モンテカルロドロップアウトを含む予測駆動型アプローチを上回りました。単純なブレーキ政策と組み合わせた場合、RiskMonitor は安全性批判的なシナリオにおける閉ループテストにおいて、衝突回避能力を 66.5% 向上させました。これらの結果は、計画とモーショントークンを使用して衝突リスクを監視することが、再学習を要することなくエンドツーエンド AD の安全性を向上させることを示しています。

arXiv:2503.07425v2 Announce Type: replace-cross Abstract: Collision risk estimation and avoidance play central roles in the safety of autonomous driving (AD) systems. Recently emerged end-to-end AD systems gain collision avoidance ability by minimizing losses to penalize planning trajectories that are too close to other objects. Despite a significant collision rate during testing, most end-to-end planners do not explicitly quantify the collision risk in their outputs. To address this, we introduce RiskMonitor, an efficient plug-and-play module that interprets planning and motion tokens from state-of-the-art end-to-end planners to estimate collision risk. Inspired by loss prediction based uncertainty quantification, RiskMonitor predicts whether the collision loss -- commonly adopted to train end-to-end planners -- is positive along planned waypoints, framing collision risk estimation as a binary classification task. We evaluate RiskMonitor on the real-world nuScenes dataset (open-loop) and the neural-rendering based simulator, NeuroNCAP (closed-loop). Our token-driven method outperforms prediction-driven approaches, including deterministic rules, Gaussian mixture models, and Monte Carlo Dropout. When integrated with a simple braking policy, RiskMonitor improves collision avoidance ability by $66.5\%$ in a closed-loop test on safety-critical scenarios. These results demonstrate that monitoring collision risk using plan and motion tokens enhances the safety of end-to-end AD without retraining it.