Hydra-MDP: マルチターゲット・ハイドラ蒸留によるエンドツーエンドのマルチモーダル計画
1分まとめ
Hydra-MDPは、人間の運転行動とルールベースのプランナーの両方を教師とする知識蒸留により、複数の閉ループ評価指標を直接学習するエンドツーエンド計画手法である。NavsimチャレンジでPDMスコア86.5（Vadv2-V8192は80.9）を達成した。
- 複数の教師（人間とルールベース）から知識蒸留し、閉ループ指標を学習するエンドツーエンド計画を提案した。
- NavtestでPDMスコア86.5を達成し、既存のエンドツーエンド手法Vadv2-V8192（80.9）を上回った。
- 評価はNavsimシミュレーションのみで、実車検証は行われていない。GT知覚を使うPDM-Closed（89.1）には及ばない。
- 学習時に計画ボキャブラリ全体（V8192個）のオフラインシミュレーションスコアが必要で、計算コストが高い。
- 非微分可能な後処理を排除し、エンドツーエンドで閉ループ指標を最適化する枠組みを示した点が重要。
課題
既存のエンドツーエンド計画手法は模倣学習に基づき、開ループ評価に偏っていた。閉ループ評価を導入しようとすると、非微分可能な後処理（コスト関数による軌跡選択）に頼るため、情報の損失や認識誤差の影響を受けていた。また、ルールベースのプランナーは不完全な認識入力を前提としておらず、実環境での性能が低下していた。
提案手法
提案手法は、認識ネットワークと軌跡デコーダで構成される。軌跡デコーダは、K-meansで生成した計画ボキャブラリ（V8192など）をクエリとし、トランスフォーマーで環境トークンと相互作用させる。学習では、(1) 人間の軌跡への距離ベースのクロスエントロピー損失、(2) オフラインシミュレーションで計算した各軌跡の閉ループ指標（NC, DAC, TTC, C, EP）に対するバイナリクロスエントロピー損失を用いる。推論時には予測された各指標のスコアを重み付きで統合し、最小コストの軌跡を選択する。重みはグリッドサーチで決定する。
評価と結果
Navsimデータセット（Navtrain 1192シナリオ、Navtest 136シナリオ）で評価。PDMスコア（NC×DAC×DDC×(5×TTC+2×C+5×EP)/12）を使用。最終版のHydra-MDP-V8192-W-EPは86.5を達成し、Vadv2-V8192の80.9を上回った。バックボーンをViT-LやV2-99にスケールアップし、3モデルのアンサンブルによりHydra-MDP-Cは91.0を達成した。ただし、GT知覚を用いるPDM-Closedは89.1で、エンドツーエンド手法より高い。
Navtest スプリットでの PDM スコア比較
| 手法 | 入力 | NC | DAC | EP | TTC | C | Score |
|---|---|---|---|---|---|---|---|
| PDM-Closed | Perception GT | 94.6 | 99.8 | 89.9 | 86.9 | 99.9 | 89.1 |
| Transfuser | LiDAR & Camera | 96.5 | 87.9 | 73.9 | 90.2 | 100 | 78.0 |
| Vadv2-V8192 | LiDAR & Camera | 97.2 | 89.1 | 76.0 | 91.6 | 100 | 80.9 |
| Hydra-MDP-V8192-W-EP | LiDAR & Camera | 98.3 | 96.0 | 78.7 | 94.6 | 100 | 86.5 |
Navtest スプリットでの PDM スコア比較
新規性
複数の教師（人間とルールベース）から複数の評価指標を同時に蒸留するマルチヘッドデコーダを導入した点に新規性がある。
限界
著者はDDC（Drivable Direction Compliance）を実装上の問題で評価から除外したと明記している。評価はNavsimシミュレーションのみで、実車での検証は行われていない。また、学習時に計画ボキャブラリ全体（V8192個）のスコアをオフラインシミュレーションで計算するため、計算コストが高い。後続研究では、より効率的な蒸留手法や実データでの検証が進められたが、本論文の範囲では不明。
産業へのインパクト
この論文は、エンドツーエンド計画に「複数教師からの知識蒸留」という枠組みを導入し、閉ループ指標を直接学習できることを示した。それまで模倣学習が主流だった分野に新たな方向性を与え、その後の計画研究のベースラインとなった。Navsimチャレンジでの1位は、このアプローチの有効性を実証し、現在でも標準的な評価手法の一つとして使われている。