自動運転の分野では、大規模な未ラベルデータの中から本当に複雑で安全上重要な運転シナリオを特定することが、重要な課題でありながら多大なコストを伴う作業となっている。既存の手法は人手によるアノテーション、教師あり分類器、あるいは入念に設計されたルールセットに依存しており、いずれも「難しいシナリオとは何か」についての事前知識を前提としている。arXiv に投稿された新論文は、モデルがラベルを一切使わずにシナリオの複雑さを自ら発見できるかという、より根本的な問いを立てている。
著者の Santosh Jaiswal 氏は、最小構成の統合埋め込み予測アーキテクチャ（Joint Embedding Predictive Architecture、JEPA）を採用した。ピクセルや生の状態を直接予測するのではなく、JEPA は潜在空間の中で世界モデルを学習する。エンコーダがエージェントの状態を埋め込み表現に変換し、予測器が過去の埋め込みから未来の埋め込みを推論する。そして時間方向の予測誤差が、そのままゼロショットの複雑度スコアとして用いられる。訓練には nuPlan mini データセットの構造化されたエージェント状態データのみを使用し、訓練および評価設計の段階で正解ラベルには一切触れていない。
結果には明確な傾向が現れた。モデルは保護なし右左折、横断歩道での相互作用、歩行者への接近を含むシナリオに有意に高いスコアを与える一方、単純な車線追従や停止した車流のシナリオには有意に低いスコアを与えた。つまり予測誤差の大きさは、監督信号がまったくない状態でも、人間が直感的に感じるシナリオの難しさとよく一致している。
この信号がデータ形式や実装の細部による偶発的なものではないことを確認するため、著者は 4 つのアブレーション実験を行い、誤差の発生源を一つずつ切り分けて検証した。さらに下流タスクとして異常検出の評価も実施し、平均適合率 0.512 を達成した。偶然によるベースラインの平均適合率は 0.436 であり、この複雑度スコアが実用的な価値を持つことを示している。
本論文は 2026 年 6 月 21 日に投稿され、12 ページ、図 6 点からなる。カテゴリはコンピュータビジョンとパターン認識（cs.CV）および機械学習（cs.LG）にまたがる。自己教師あり潜在世界モデルにおける時間予測誤差が、運転シナリオの複雑度を表す実用的な代理指標になり得るという点が本研究の意義であり、データ選別や安全検証のコストを大きく削減し、より大規模なデータセットへの応用に向けた道筋を示すものである。