最近、自動運転における高レベル意思決定の課題に取り組む新しいアーキテクチャ「DecisionPerceiver」が提案されました。この研究は、Marcelo Contrerasらによる論文「Learning High-Level Decision Making with an Interaction-Aware Attention-Based Network in Autonomous Driving」で発表され、2026年のIEEE Intelligent Transportation Systems Conference（ITSC）に提出されています。プレプリントはarXiv（ID: 2607.09725）で公開されています。
自動運転における車線変更や速度制御などの高レベル意思決定は、交通流の動的な変化に対応するため、可変サイズの入力を処理する必要があります。既存のDeepSetなどの手法は可変入力を扱えますが、交通参加者間の明示的な相互作用モデリングを欠いており、交差点などの交渉が必要なシナリオでは性能が限られます。一方、注意ベースの手法は相互作用を捉えられますが、二次のメモリと計算複雑性を伴い、表現粒度の制御が困難です。
DecisionPerceiverは、Perceiver IOに触発され、注意メカニズムを使用して動的エージェント特徴を固定サイズの潜在空間に投影します。潜在クエリの数を調整することで特徴粒度を制御し、大規模ネットワークへのスケーラビリティを向上させます。また、行動セットのより細かい離散化を提案し、相互作用認識による性能向上を強化しています。
研究チームは、異なる相互作用認識レベルを必要とする三つの運転シナリオ（高速道路合流、交差点通過、ラウンドアバウト）で広範な評価を実施しました。結果として、DecisionPerceiverは様々なナビゲーション目的（速度維持、安全な車線変更、効率最適化）に対して一貫した性能向上と汎化を示しました。さらに、車両数が増加するシナリオでアーキテクチャのスケーラビリティを評価し、交通密度が高い状況でも安定した性能を維持することを確認しました。
この研究は、自動運転における高レベル意思決定のための効率的でスケーラブルなソリューションを提供し、実用化を促進することが期待されます。今後の課題として、DecisionPerceiverを完全な自動運転スタックに統合し、実世界の運転環境での性能を検証することが挙げられます。