SparseDrive: スパースシーン表現によるエンドツーエンド自動運転
1分まとめ
SparseDriveは、BEV（鳥瞰図表現）の密特徴を排し、スパースなインスタンス表現と予測・計画の並列設計により、エンドツーエンド自動運転の性能と効率を両立させたモデルである。nuScenes valの計画タスクで従来SOTAを上回る安全性と精度を達成し、訓練・推論の効率も大幅に改善したと報告している。
- BEVの密特徴の代わりに、インスタンス特徴とアンカーだけでシーンを表現するスパース表現を採用し、検出・追跡・オンラインマップ生成を対称な構造で統一した。
- 予測と計画を並列に解き、計画を多モーダル問題として扱う階層的選択戦略（衝突考慮の再スコアを含む）を導入した。
- nuScenes valの計画でL2誤差0.58m・衝突率0.06%を達成し、従来SOTAのVAD比でL2誤差19.4%減・衝突率71.4%減を報告している。
- 評価はnuScenesのオープンループvalのみで、クローズドループでの安全性は未検証である。
- SparseDrive-Sの推論は9.0 FPSでUniADの1.8 FPSの5.0倍、訓練時間は20時間で144時間の7.2倍と高速である。
課題
従来のエンドツーエンド自動運転手法は、計算コストの高いBEV特徴に依存しており、予測と計画の設計が単純だった。予測と計画を逐次処理するため、自車が周辺エージェントに与える影響を考慮できず、計画を決定論的な1軌跡として出力するため安全性が不足していた。
提案手法
SparseDriveは、スパースなインスタンス表現を用いる。認識部分（Symmetric Sparse Perception）は、動的エージェントと地図要素をそれぞれインスタンス特徴とアンカー（ボックス／ポリライン）で表現し、検出・追跡・オンラインマップ生成を対称なアーキテクチャで統一する。運動プランナ（Parallel Motion Planner）は、自車インスタンスを前方カメラの最小特徴マップから初期化し、エージェント間およびエージェントと地図の空間時間インタラクションを行ったうえで、周辺エージェントと自車のマルチモーダル軌跡を同時に予測する。最終的な計画軌跡は、運転コマンドによる絞り込み、衝突考慮の再スコアモジュール（衝突軌跡のスコアを0にする）、スコア最大選択という階層的選択戦略で選ばれる。学習は認識単体の第1段階と、全体をエンドツーエンドで最適化する第2段階の2段階で行われる。
評価と結果
評価はnuScenesのvalセットで行われる。SparseDrive-Bは、3D検出でmAP 49.6%・NDS 58.8%、追跡でAMOTA 50.1%・IDS 632、オンラインマッピングでmAP 56.2%を達成した。予測ではminADE 0.60m・minFDE 0.96m・MissRate 13.2%・EPA 0.555、計画ではL2誤差平均0.58m・衝突率平均0.06%を報告している。従来最高性能（SOTA）のUniADと比べ、検出mAPは+11.6ポイント、NDSは+9.0ポイント、AMOTAは+14.2ポイント向上し、IDSは30.2%減である。計画ではVAD比でL2誤差が19.4%減、衝突率が71.4%減となる。効率面では、SparseDrive-SがUniADと比べて訓練時間が7.2倍速い（20時間 vs 144時間）、推論が5.0倍速い（9.0 FPS vs 1.8 FPS）と報告されている。ただし、UniADの訓練時間は8枚のA100、SparseDriveは8枚のRTX 4090で測定されており、直接比較には注意が必要である。
計画性能の比較（nuScenes val）
| 手法 | L2平均(m) | 衝突率平均(%) |
|---|---|---|
| FF* | 1.43 | 0.43 |
| EO* | 1.60 | 0.33 |
| ST-P3 | 2.11 | 0.71 |
| UniAD† | 0.73 | 0.61 |
| VAD† | 0.72 | 0.21 |
| SparseDrive-S | 0.61 | 0.08 |
| SparseDrive-B | 0.58 | 0.06 |
計画L2誤差（平均）の比較
計画衝突率（平均）の比較
新規性
エンドツーエンド自動運転において、BEVの密特徴を排してスパースなインスタンス表現に統一し、予測と計画を並列化して衝突を考慮した軌跡選択を行う点に新規性がある。
限界
論文の著者らは、エンドツーエンドモデルの性能が単一タスクの手法（特にオンラインマッピング）に及ばないこと、データセットの規模が小さくオープンループ評価が実性能を十分に表さないことを限界として挙げている。効率比較はGPUが異なる（UniADはA100、SparseDriveはRTX 4090）ため、単純な優劣判断はできない。また、衝突率の評価は自車のヨー角を軌跡から推定してボックス重なりを判定する独自の再実装に基づいており、従来の占有率マップ方式とは指標が異なる。著者による明示はないが、衝突考慮の再スコアは予測結果の上位2軌跡に依存するため、予測誤差の影響を直接受ける。この後、自動運転のエンドツーエンド研究では、より大規模なデータセットやクローズドループ評価が進められており、本論文のオープンループ評価という制約はその後も議論の対象となっている。nuScenesはその後も標準的なベンチマークとして使われている。
産業へのインパクト
本論文は、BEVの密特徴をスパースなインスタンス表現で置き換え、エンドツーエンド自動運転の計算コストを大幅に削減できることを示した基盤的仕事である。予測と計画を並列化し、計画を多モーダル問題として扱う設計は、その後のエンドツーエンド研究に影響を与えた。日本の自動車産業にとっては、カメラのみのシステムで高い効率を達成できる可能性を示した点が重要であり、車載SoCへの実装を考えるうえで参考になる。ただし、オープンループ評価のみで安全性が実証されたわけではなく、実車適用にはクローズドループ評価や機能安全の検討が別途必要である。