MVAdapt：エンドツーエンド自動運転のためのゼロショット・マルチビークル適応

要旨: エンドツーエンド（E2E）の自律走行モデルは、運転方策が車両ダイナミクスに暗黙的に結び付いているにもかかわらず、通常は固定の自車両（ego-vehicle）で学習・評価されます。しかし、こうしたモデルをサイズ、質量、または駆動系の特性が異なる車両に搭載すると、その性能が大きく劣化する可能性があります。私たちはこの問題を「車両ドメインギャップ」と呼びます。これに対処するために、複数車両のE2E走行のための物理条件付き適応フレームワークであるMVAdaptを提案します。MVAdaptは、凍結したTransFuser++のシーンエンコーダと、軽量な物理エンコーダ、そしてクロスアテンションモジュールを組み合わせます。クロスアテンションモジュールは、ウェイポイント復号の前に、車両特性に基づいてシーン特徴を条件付けます。CARLA Leaderboard 1.0のベンチマークでは、MVAdaptは、単純な転移および多種身体化（multi-embodiment）適応のベースラインの両方に対して、分布内および未観測の車両の両方で改善を示します。さらに、補完的な2つの振る舞いも示します。多くの未観測車両に対する強力なゼロショット転移、ならびに、深刻な物理的外れ値に対するデータ効率の高い少数ショット・キャリブレーションです。これらの結果は、E2Eの走行方策を車両の物理に明示的に条件付けることが、より転移可能な自律走行モデルに向けた有効な一歩であることを示唆しています。すべてのコードは https://github.com/hae-sung-oh/MVAdapt で公開されています