計画に委ねる：エンドツーエンドV2X運転のための適応的マルチエージェント融合
1分まとめ
多エージェント特徴融合を認識段階から計画段階へ遅延させ、自己回帰デコーダで文脈依存の融合重みを学習するV2X協調運転システムを提案した。V2Xverseのクローズドループ評価でDriving Score 79.72（CoDriving比3.33%向上）を達成した。
- 認識段階の固定重み融合をやめ、計画段階で自己回帰デコーダによりエゴ車両と路側の特徴を適応融合するエンドツーエンドV2X運転システムを提案した。
- V2Xverseのクローズドループ評価でDriving Score 79.72（CoDrivingの77.15を3.33%上回り）、Infraction Score 0.88（同7.32%向上）を報告している。
- 評価はV2Xverseシミュレータ上のみで実道路での検証はなく、固定通信トポロジーを仮定しており動的なエージェント選択は将来課題とされている。
- 路側特徴の75〜90%が計画に無関係な背景情報という分析に基づくチャネル精製とMoEトークナイザは、帯域制約のあるV2X通信での実装指針として参考になる。
課題
既存のV2X協調運転は認識段階で固定重みによりマルチエージェント融合を行った後に単一車両の計画へ渡す2段階構成が主流であり、認識向けに最適化された融合が計画タスクに適合しない。SOTAのCoDrivingも認識段階の固定重み融合を採用し、遮蔽交差点で重要な路側特徴と、高速道路などで不要な路側特徴を同じ重みで扱う。また路側特徴の75%〜90%は計画に無関係な背景情報であり通信帯域を浪費する。
提案手法
提案手法はエゴ車両と路側ユニットの二系統で特徴抽出を行う。各系統はMotionNetworkで時系列BEV特徴を集約するが、路側系統では先にチャネル単位のtop-k選択（α=0.1）で背景チャネルを削る。その後MoE（6エキスパート、Top-3ルーティング）を組み込んだトークナイザで空間特徴を圧縮し、エゴトークンと路側トークンを得る。MoEルーターは軌跡曲率のK-meansクラスタリング（6クラス）による軟ラベルで教師され、エキスパート崩壊を防ぐ。融合はLLaMA型の自己回帰デコーダが担い、コンテキスト領域は双方向、計画領域は因果的なハイブリッドマスクを適用して、エゴ・路側トークンの重要度を文脈に応じて動的に変える。学習はBEVエンコーダを凍結したうえで計画部品を訓練し、その後エンドツーエンドで微調整する。損失は軌跡L1損失に加え、ルータ損失とバランス損失を課す。
評価と結果
V2Xverse（CARLAベース、67ルート、8タウン）で評価した。オープンループのADE/FDEはOursが0.598/1.393m、CoDrivingが0.619/1.413m。クローズドループではDS 79.72（CoDriving 77.15）、RC 91.05（同92.34）、IS 0.88（同0.82）。ベースラインはTCP、Late Fusion、V2X-ViT、Coopernaut、CoopDet3D、CoDriving。姿勢推定ノイズ0.6でのADE劣化は4.01%（CoDrivingは5.50%）、通信遅延600msでのADE劣化は2.34%（同2.75%）で頑健性も上回った。アブレーションでは自己回帰デコーダの除去が最も大きくADEを4.85%悪化させた。
V2Xverse ベンチマークの主な評価結果
| 手法 | ADE↓ | FDE↓ | DS↑ | RC↑ | IS↑ |
|---|---|---|---|---|---|
| TCP | - | - | 47.48 | 62.14 | 0.81 |
| Late Fusion | - | - | 52.40 | 90.72 | 0.57 |
| V2X-ViT | 0.629 | 1.447 | 39.35 | 91.98 | 0.42 |
| Coopernaut | 0.645 | 1.487 | - | - | - |
| CoopDet3D | 0.623 | 1.439 | 63.04 | 88.12 | 0.71 |
| CoDriving | 0.619 | 1.413 | 77.15 | 92.34 | 0.82 |
| Ours | 0.598 | 1.393 | 79.72 | 91.05 | 0.88 |
V2Xverse クローズドループ評価における Driving Score
姿勢推定ノイズ0.6におけるADE劣化率
新規性
既存手法が認識段階で固定重み融合を行うのに対し、融合を計画段階まで遅延させて自己回帰デコーダで文脈依存の重みを学習する点が新規。MoEトークナイザとチャネル精製は既存技術の組み合わせだが、融合タイミングの変更が主眼であり、単なる組み合わせではない。
限界
著者らはlimitationsとして、固定通信トポロジーを仮定していること、動的エージェント選択が未実装であること、通信遅延の明示的モデリングや不確実性推定が将来課題であると述べている。著者による明記はないが、評価はV2Xverseシミュレータのみで実車両・実路側機での検証はなく、単一ベンチマークのみの結果である。計算コストはオンライン推論でトータル176.6ms（1×RTX 3090）と報告されるが、認識段階の158.2ms（89.6%）が支配的で、車載環境でのリアルタイム性は別途検証が必要。
産業へのインパクト
日本市場では路側機との協調による交差点の遮蔽対策が期待されるが、本方式はシミュレーションのみの検証であり、実機適用にはV2X通信遅延や路側センサのキャリブレーション誤差などへの対策が残る。路側特徴の9割近くを捨てるチャネル精製と、必要に応じて路側情報の重みを下げる適応融合は、帯域制限のあるV2X通信と組み合わせた実装の設計指針として参考になる。ただし直接の実装可能性を示すものではなく、影響は限定的と見るべきである。