CausalVAD: 因果介入によるエンドツーエンド自動運転の交絡除去

要約：
計画志向のエンドツーエンド駆動モデルは大きな可能性を示しているが、根本的には真の因果関係ではなく統計的相関を学習している。この脆弱性は因果混乱を生じさせ、モデルがデータセットのバイアスを近道として利用することで、複雑な状況における信頼性と安全性を深刻に損なう。これに対処するため、因果介入を活用する因果混乱除去のトレーニングフレームワークである CausalVAD を紹介する。その核となるのは、疎な因果介入スキーム（SCIS）を設計することです。SCISは、バックドア調整理論をニューラルネットワークに実装する、軽量でプラグアンドプレーのモジュールです。SCIS は、潜在的な運転状況を表すプロトタイプの辞書を構築します。次にこの辞書を用いて、モデルの疎なベクトル化されたクエリに介入します。この手順は、交絡因子によって誘発される偽の関連を積極的に排除し、下流タスクの表現から偽の因子を取り除きます。nuScenes などのベンチマークでの広範な実験は、CausalVAD が最先端の計画精度と安全性を達成することを示しています。さらに、本手法はデータバイアスと因果混乱を誘発するように設定されたノイズの多い状況の両方に対して優れた頑健性を示します。