CounterScene：安全性重視のクローズドループ評価のための生成型ワールドモデルにおける反事実的因果推論

Abstract

安全性がクリティカルな運転シナリオを生成するには、単に衝突を起こすように強制するのではなく、危険な相互作用がなぜ生じるのかを理解する必要があります。しかし、既存の手法はヒューリスティックな敵対エージェント選択と非構造化された摂動に依存しており、相互作用の依存関係を明示的にモデル化できないため、現実性と敵対性のトレードオフが見られます。私たちは、CounterScene を提案します。これは、クローズドループの生成的 BEV ワールドモデルに、安全性がクリティカルなシナリオ生成のための構造化された反事実推論を付与するフレームワークです。安全なシーンが与えられたとき、CounterScene は問いかけます：因果的に重要なエージェントが別の行動を取っていたらどうなるでしょうか？この問いに答えるために、因果的敵対エージェント識別を導入して重要なエージェントを特定し、対立（コンフリクト）の種類を分類します。さらに、因果的な相互作用グラフを用いてエージェント間の動的な依存関係を明示的にモデル化する、コンフリクト対応のインタラクティブ・ワールドモデルを開発します。この構造に基づき、段階適応型の反事実ガイダンスでは、特定したエージェントに対して最小限の介入を行い、その空間的および時間的な安全マージンを取り除きます。一方で、自然な相互作用の伝播を通じてリスクが顕在化するようにします。nuScenes 上での大規模な実験により、CounterScene は最も強力な敵対性の有効性を達成しつつ、すべての地平（ホライズン）において軌道の現実性をより高い水準で維持することが示されました。特に、最も強いベースラインと比べて長期の衝突率を 12.3% から 22.7% へと改善し、さらに現実性も向上しています（ADE 1.88 vs. 2.09）。注目すべきことに、この優位性はより長いロールアウトでもさらに拡大し、CounterScene はゼロショットで nuPlan に汎化し、最先端の現実性を実現します。