シーンコンテキスト下での都市減速行動モード：Argoverse 2マルチエージェント軌道からの初期運動学的分類器

都市部での減速行動は、車両追従研究において長年実証的に研究されてきたものの、分類学的に整理されることはほとんどなかった。しかし、自律走行車両のセンサーデータセットの登場により、軌跡データから行動モードを発見することが可能になった。最近の研究では、Argoverse 2センサーデータセットの234件の都市運転ログから1,219件の持続的な減速イベントを抽出し、各イベントを19次元の運動学的特徴ベクトルで符号化した。K-meansクラスタリングとブートストラップ安定性分析により、4つの安定したモードが発見された：予測的ソフト減速（62.8%）、反応的接近（30.6%）、ブレーキ様ジャーク（4.8%）、および外れ値カテゴリ（1.8%）である。ブートストラップ調整ランド指数は0.897であり、クラスタリングの高い信頼性を示している。これらのモードは、ドライバーが様々な状況で取る典型的な減速戦略を反映しており、予測的ソフト減速は前方の状況変化を事前に感知した場合に最も一般的であり、反応的接近は先行車の急減速に対応する場合に多く見られる。ブレーキ様ジャークは緊急時に関連し、外れ値にはデータノイズや特殊なイベントが含まれる可能性がある。

研究ではさらに、11のシーンコンテキスト変数による変調を定量化した。変数には道路形状、交通信号、脆弱道路利用者（歩行者や自転車など）の近接性、およびペア年齢（車両間のインタラクション持続時間）が含まれる。その結果、「ペア年齢」のみが中程度の効果（ε²=0.085）を示し、他の変数の影響は無視できることがわかった。これは、減速行動において、静的なシーン特徴よりもインタラクションの動的持続時間が重要であることを示唆している。例えば、先行車に長時間追従するドライバーは予測的ソフト減速を示す傾向があり、短時間のインタラクションでは反応的接近がより頻繁に見られる。この発見は、自動運転システムの意図推定に重要な意味を持ち、現在のシーンだけではなくインタラクションの履歴に注目すべきであることを示している。

運動学的特徴とシーンコンテキストに基づき、各イベントの最初の1.0秒からモード所属を予測するHistGradientBoosting分類器を訓練した。この分類器は1.0秒でマクロF1=0.758を達成し、運動学的特徴のみではF1=0.699であったが、シーンコンテキストを追加すると0.758に向上した。これは、シーンコンテキストが運動学単独よりも+0.059 F1を寄与したに過ぎず、初期の運動学的特徴、特にジャークが予測信号を支配することを意味する。さらに、モードの安定性は速度領域に依存する：中速（約30-60 km/h）ではモードはほぼ不変（ARI=0.817）であるが、低速（30 km/h未満）では速度依存性が高い（ARI=0.166）。これは低速シーンでは減速戦略がより多様であることを示している。

これらの発見は、自動運転システムの行動予測と意思決定に重要な示唆を与える。第一に、短時間の運動学的特徴のみで減速意図を効果的に識別でき、センサーフュージョンの複雑さを低減できる。第二に、ペア年齢が主要な変調因子であることから、システムは車対車のインタラクション持続時間に注目すべきである。第三に、低速での速度依存性は、低速シーンではより細分化されたモデルが必要であることを示している。今後の研究では、交差点やラウンドアバウトなどより多様なシーンや高速域での検証が期待される。この研究は2026年6月に発表され、関連コードとデータはArgoverse 2プラットフォームを通じて公開されている。