FlowS：局所的な輸送（トランスポート）条件付けによるワンステップ運動予測

要旨: 生成的な動作予測は、実環境での自律性に対して同時に3つの要件を満たさなければなりません。すなわち、高い精度、多様なマルチモーダル未来、そして厳密に制限された遅延です。拡散モデルは最初の2つを満たしますが、3つ目を満たしません。そのため、数十〜数百のノイズ除去ステップが必要になります。私たちは、この緊張関係を解消するための条件付け戦略を特定します: \textit{基礎となる輸送問題が局所的である場合、単一ステップ統合は正確である}。正しい行動モードを発見しつつ、長い変位を1ステップで到達することを要求されるモデルは、大きな離散化誤差を蓄積します。基底分布を、もっともらしい未来の近くに位置付けて条件付けすることで、この問題は短距離の改良へと還元されます。つまり、単一のオイラー・ステップで十分なレジームです。私たちは、この\emph{局所輸送条件付け}を、2つのメカニズムを備えた条件付きフローマッチングの枠組みであるFlowSに実装します。第一に、オンラインでシーンに条件付けされた学習済み事前分布が、エージェントごとに K 個の校正済みアンカートラジェクトリを放出します。各アンカーはすでにもっともらしい未来に近いため、モード発見を局所的な補正へと変換します。第二に、ステップ整合的な変位場により、半群の自己整合性を強制し、1ステップが複数ステップの精度を継承できることを保証します。重要なのは、この変位場を直線経路に沿って学習済み事前分布でアンカーすることで、曲がった拡散経路上で高分散のブートストラップ信号に悩まされる先行の自己整合性手法とは異なり、{安定で低分散}な学習ターゲットが得られる点です。Waymo Open Motion Datasetにおいて、FlowSは単一ステップ推論で、アンサンブル（75\,FPS）による Soft mAP {(0.4804) および mAP (0.4703)} を達成し、最先端性能を実現しました。これにより、局所輸送条件付けが、安全性が重要な自律性に対して1ステップの生成的動作予測を実用可能にすることが示されます。コードおよび事前学習済みモデルは、採択後に公開されます。