DriveZero：人間のデモンストレーションを超えるエンドツーエンド運転

要旨

ほとんどのエンドツーエンド自動運転システムは人間の運転ログを模倣して学習するため、その学習済み行動は記録された軌道の品質と行動カバレッジによって制約される。本報告では、人間のデモンストレーションを超えて運転行動を学習するエンドツーエンドシステムであるDriveZeroを提案する。これは運転を認識モデルと行動モデルに分解し、それぞれを最も適した学習方式で事前学習し、それらを単一のエンドツーエンドプランナに統合する。両モデルは異なる学習レシピを必要とする。認識は世界を理解する必要があり、大規模で多様な視覚データから恩恵を受ける。行動は世界と相互作用する必要があり、閉ループフィードバックを要する。行動側では、混合エージェント型閉ループ強化学習フレームワークであるDriveRLを導入する。これは実運転ログをインタラクティブな世界に変換し、そこでは特権的教師ポリシーが閉ループロールアウトを通じてPPOで訓練される。認識モデルについては、DriveVFMがDINOv3、SigLIP2、SAM、Depth Anything V2を含む複数の凍結された視覚基盤モデルを、生画像のみから単一のバックボーンに統合し、タスク固有のアノテーションを必要としない。次にDriveZeroは両者を統合する。すなわち、凍結されたDriveRL教師をそのロールアウト軌道を通じて蒸留するカメラのみのプランナである。さらに、目標条件付き教師は拡張された運転意図の下で問い合わせることができ、ログデータでは提供できない多様で目標整合的な監督を生み出す。nuPlanにおいて、価値誘導型テスト時行動探索を備えたDriveRLは、非反応モードと反応モードの両方で、Val14、Test14-hard、Test14-randomのコミュニティスプリット全体にわたり平均スコア93.57を達成し、3つすべてのスプリットでLog-Replayエキスパートを上回る。DriveZeroは、人間の軌道による監督を一切用いずに、NAVSIMv1、NAVSIMv2、および閉ループHUGSIMベンチマークで最先端性能を達成する。

English

Most end-to-end autonomous-driving systems learn by imitating human driving logs, leaving their learned behavior constrained by the quality and behavioral coverage of the recorded trajectories. This report presents DriveZero, an end-to-end system that learns driving behavior beyond human demonstrations. It decomposes driving into a perception model and an action model, pretrains each in the regime best suited to it, and combines them into one end-to-end planner. The two models call for different learning recipes: perception must understand the world, and benefits from massive and diverse visual data; action must interact with it, and requires closed-loop feedback. On the action side, we introduce DriveRL, a mixed-agent closed-loop reinforcement-learning framework. It converts real driving logs into interactive worlds, where a privileged teacher policy is trained with PPO through closed-loop rollouts. For the perception model, DriveVFM consolidates multiple frozen vision foundation models, including DINOv3, SigLIP2, SAM and Depth Anything V2, into a single backbone from raw images alone, requiring no task-specific annotations. DriveZero then unifies the two: a camera-only planner that distills the frozen DriveRL teacher through its rolled-out trajectories. The goal-conditioned teacher can moreover be queried under augmented driving intents, yielding diverse, goal-consistent supervision that logged data cannot provide. On nuPlan, DriveRL with value-guided test-time action search achieves a mean score of 93.57 across the Val14, Test14-hard, and Test14-random community splits in both non-reactive and reactive modes, exceeding the Log-Replay expert on all three splits. DriveZero achieves state-of-the-art performance on NAVSIMv1, NAVSIMv2 and the closed-loop HUGSIM benchmark without any human trajectory supervision.