Planning-aligned Token Compression for Long-Context Autonomous Driving
Abstractの概要
本論文は、条件付きVQ-VAEと階層的Q-formerメモリバッファに基づいて構築された、ロングコンテキスト自動運転のためのプラニング最適化トークン圧縮フレームワーク「COMPACT-VA」を提案する。ルールベースの時間的減衰のみで視覚履歴を圧縮するのではなく、本手法では、過去の軌跡情報と、学習時に未来の軌跡から推論され推論時に圧縮された観測から予測される学習済みの運転意図潜在表現の両方を条件として圧縮を行う。圧縮されたメモリと予測された潜在表現は統合された視覚行動ポリシーに入力され、エンドツーエンドで最適化されることで、保持されたトークンが後流のプラニングに有用であり続けるようにする。評価では、単なる軌跡の変位ではなく行動志向の指標を用いて、四方向一時停止、オクルージョンを伴う一時停止や譲り合いの状況、保護されていない右左折などのメモリ依存の運転シナリオに重点を置いている。
新規性
主要な新規性は、圧縮を別個のヒューリスティックな効率化モジュールとして扱うのではなく、トークン圧縮をプラニングの目的に直接整合させた点にある。本手法は、階層的な時間的圧縮と運転意図を表す条件付きVQ-VAE潜在表現を組み合わせることで、どの過去情報が行動決定に不可欠であるかをシステムに学習させる。
成果
同等のトークン予算条件下の一時停止交差点シナリオにおいて、COMPACT-VAは68.3%の進入成功率（go success rate）を達成し、標準のベースライン（63.8%）およびプラニングと整合させない圧縮（65.6%）から改善を示すとともに、徐行通過率（roll-through rate）を約7.0%に低減した。閉ループ評価では、全体的に同等の一般的な運転性能を維持しながら、圧縮を行わないロングコンテキスト処理と比較して3.3倍の高速化と2.7倍のメモリ削減を達成している。
論文の注目点
- COMPACT-VAは、エゴ履歴や学習されたプラニング意図の潜在表現を条件とした階層的Q-formerメモリを用いて、長い視覚コンテキストを圧縮する。
- 本論文はメモリが重要となる自動運転シナリオを対象とし、進入成功率、停止成功率、徐行通過率、停止位置や停止時間の誤差などの行動重視の指標で評価を行っている。
- 実験およびアブレーション検証により、プラニングと整合した圧縮は、無圧縮のロングコンテキスト入力およびプラニングと整合していない圧縮の両方を上回る性能を示し、さらに実行時間とメモリ効率も向上することが示された。