Zhouchonghao Wu 氏他は7月14日(現地時間)、大規模なゼロデモンストレーション自己学習に対応するプロシージャル運転シミュレーター「テラゼロ (TerraZero)」を発表した。このシミュレーターは、既存の強化学習のスケールアップを可能にする高速性、現実世界の地図構造に基づく高い現実性、そして記録データに稀な安全上重要な「ロングテール」事象を網羅する多様性を実現する。本技術は自動運転開発における訓練データ不足と現実世界とのギャップを解消し、より堅牢なシステムの構築に貢献すると期待される。論文はarXiv cs.LGで公開された。
テラゼロ (TerraZero) は、設定可能なC言語エンジンでシミュレーションをCPUで実行し、ポリシー推論をGPUでゼロコピーパスを介して実行する。これにより、単一のサーバーグレードGPUで毎秒130万エージェントステップを達成し、既存のオブジェクトレベルシミュレーターよりも大幅に高速化されている。同時に、異種エージェント、複数のダイナミクスモデル、完全な交通規則の適用といった、軽量な単一エージェントシステムでは省略されがちな忠実性を維持する。
テラゼロは、ログデータを実世界の地図ジオメトリのソースとしてのみ扱い、各マップをランダム化されたルールベースの道路利用者と信号コントローラーで埋める。また、エピソードごとにエージェントのダイナミクス、報酬、サイズをランダム化することで、一つのマップから無数のシナリオを生成することを可能にする。報告されている全てのポリシーは、計算効率の高い自己学習レシピをGPU全体に適用し、ゼロから強化学習のみでトレーニングされている。人間のデモンストレーションは一切用いられず、推論時のフォールバックプランナーも使用されていない。
これらのポリシーは、都市やデータセット間でゼロショット汎化を示し、明示的な教師なしで左側通行の運転も可能にした。テラゼロは、自己ポリシーとして、InterPlan long-tail benchmarkでトップに立った初の完全学習ポリシーであり、より大規模な学習型プランナーを上回る結果を出している。ルーチン運転のval14においては、最高のアプローチの一つにランクされ、衝突および時間対衝突スコアで最高の安全性を記録した。Waymo Open Sim Agents realismの評価では、この手法は他のデモンストレーションフリーな手法を上回り、最も強力な参照アンカー型自己学習手法と競合する性能を示している。この単一スタックは、自動車やトラックの運転ポリシーと、車両、歩行者、サイクリストを共同で制御するシミュレーションエージェントの両方の役割を果たす。
これらの成果は、特に既存のデータ駆動型アプローチが直面する課題、すなわち現実世界における稀な事象（ロングテール問題）のデータ不足や、新たな環境への適応性といった点において、強化学習の潜在能力を大きく引き出すものとされる。自動運転開発に携わるMLエンジニアや研究者にとって、テラゼロは、既存の膨大な記録データに依存する手法から脱却し、シミュレーション環境で多様なシナリオを高速かつ効率的に生成・学習する新たな道筋を示す。これにより、より堅牢で汎用的な自動運転システムの設計と検証を加速し、市場投入までのサイクルを短縮する可能性が指摘されている。
参考: arXiv cs.LG — 2026年7月15日 02:59 (JST)
原文ハイライト"Procedural Driving Simulation for Zero-Demonstration Self-Play at Scale"