テキサス大学に所属する研究者らは、UNCAPという自律走行車の協調フレームワークを発表した。このシステムでは、車両が自然言語を用いて互いに観測内容を記述し合う。研究者らによれば、このシステムは車両に、どの近隣車両の情報を聞くべきかを選択し、そのメッセージに適切な信頼度を割り当てることを学習させるという。
その原理は単純な状況に基づく。交差点に停車したトラックが右側から接近する車両を隠しているとする。隣接する車両はその車両を見ており、 »右側から合流する車両、約15メートル先、高速で走行中 »といったメッセージを伝達できる可能性がある。これにより、自車のセンサーでは観測できない情報を受信することができる。
生データ共有ではなく、言語による記述
カメラ画像、LiDAR点群、レーダー測定値などの生データの共有は従来のアプローチである。研究者らは、この方法は大規模展開が困難になると指摘する。これらのデータフローは大きな帯域幅を消費し、多くの計算を必要とし、すべての車両が同等のハードウェアを備えていることを前提とする。しかし、実際の交通は、非常に異なるメーカー、センサー構成、ソフトウェアが混在する環境である。
自然言語はその代替となる。 »バスの後ろを横断する歩行者 »や »左側から高速で接近するオートバイ »といったメッセージは非常に短く、ハードウェアに依存せず、画像とテキストの両方を処理できるモデル、すなわち視覚言語モデルによって理解可能である。しかし、どのメッセージを聞くか、そして二つの車両の情報が矛盾した場合にどうするかは、依然として決定する必要がある。
4つのステップ
UNCAPは特定の訓練を必要としない（ゼロショット）方式で動作し、既存のモデルに通信戦略を追加する。第一段階は近隣車両の識別である。各車両は、自車の位置と方向を含む数バイトの信号を定期的にブロードキャストする。第二段階では、関連する車両、すなわち十分に近く、自車の経路に影響を与える可能性のある車両をフィルタリングする。研究者らによれば、この選択により不必要な通信が大幅に削減され、システムの大規模化が可能になるという。
選ばれた車両は次に、その観測内容を記述する。これには、コンフォーマル予測と呼ばれる軽量な手法を用いて「較正された」信頼度推定値が伴う。この手法は、信頼度レベルと情報の実際の信頼性とを一致させる。各車両は次に、相互情報量を用いて、各メッセージがシーンに関する自身の不確実性をどの程度減少させるかを測定する。最後に、このように構築された記述が視覚言語モデルに送信され、合流、待機、譲歩などの決定と、それに関連する信頼度スコアが提案される。
シミュレーションでの結果
テストは運転シミュレータCARLA内で、高速道路合流や都市交差点を含むベンチマークOPV2Vを用いて実施された。通信なしの車両や、すべての観測をすべての車両にブロードキャストする従来のアプローチと比較して、研究者らは一貫した改善を報告している。具体的には、通信帯域幅の63%削減、運転スコアの31%向上、決定の不確実性の61%低減、ニアミス時の安全マージンの4倍拡大を挙げている。
最も予想外の結果は、生画像が言語よりも低い結果を示した点である。研究者らは、視覚言語モデルが異なる角度から撮影された複数のカメラストリームについて推論するのが困難であり、簡潔な記述への変換が情報の選別ステップとして機能すると推測している。この利得は、GPT-4o、GPT-4.1、GPT-4o-mini、GPT-5など複数のモデルで確認されており、これは特定のモデルではなく、通信戦略によるものだと彼らは考えている。
限界
実験はシミュレーションに限定されている。センサー雑音、信頼性の低い無線通信、ネットワーク遅延、パケット損失などは今後の検討課題である。また、視覚言語モデルへのクエリには約1秒かかるため、決定は継続的ではなく、重要な瞬間に行われる。著者らは、このアプローチは自律運転を超えて、ロボットチーム、ドローンチーム、ソフトウェアエージェントチームにも応用可能だと見ている。彼らの論文は、arXivに公開され、AAMAS 2026会議の最優秀論文賞に選ばれている。
