2026-08-12·無料·論文·12分で読めます

論文解説: Alpamayo — 自動運転の推論モデル

NVIDIAの自動運転VLA「Alpamayo-R1」を原論文から読み解く。因果の鎖で推論を構造化するChain of Causationデータセット、flow matchingで99msに収めた軌道デコード、推論と行動のズレをRLで罰する3段階学習まで、1から解説する。

要点

Alpamayo-R1(AR1)は、NVIDIAが2025年10月に公開した、推論と走行軌道を出力するvision-language-action(VLA)モデルである。
AR1は画像・自車の動き・推論・軌道を1本のトークン列に並べ、推論が軌道より先に来る順で次トークン予測として扱う。
軌道は学習時に128個の離散トークンで表し、推論時はflow matchingの専用デコーダが5ステップ・8.75msで生成する。
Chain of Causationデータセットは、走行判断を閉じた語彙で定義し、根拠を観測済みの過去2秒に限って因果の混同を防ぐ。
難しい場面の軌道誤差(minADE)は0.994mから0.868mへ12%改善し、実車のend-to-end遅延は99msだった。

#vla #autonomous-driving #reasoning #nvidia #paper-review

対象image textタスクmultimodal

Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail

一次資料 — この記事の根拠

この解説の公開 2026-08-12

Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long TailarXiv:2511.00088論文ページ·PDF

「見たことのない場面」で事故は起きる

自動運転の主流は、センサー入力から車の動きまでを1つのニューラルネットで直結する end-to-end（E2E）方式に移りつつあります。人間の運転記録を真似させる模倣学習は、モデルとデータを大きくするほど性能が伸びます——ただし、よくある場面では。工事で車線が消えている、停まった車の陰から子どもが出てくる。そんな滅多に起きない「ロングテール」の場面では教師データが薄く、模倣だけのモデルは急に脆くなります。

比喩で言えば、模倣学習のE2Eモデルは「教習ビデオを丸暗記した生徒」です。見た場面では完璧でも、初見の場面で「なぜそうするのか」を考える道具がない。一方ベテランは「あの子はボールを追っている、飛び出すかも」と因果で考えるから初見に対応できます。過学習と同じ「分布の外で崩れる」構図が、安全の懸かった場面で起きるわけです。

FIG 1模倣学習の弱点を体感する。次数（モデル容量）を上げるほど訓練データには合うが、データが薄い領域では大きく外す。自動運転のロングテール問題は、この「訓練点のない右端」で起きる

NVIDIAが2025年10月に公開した Alpamayo-R1（AR1） は、この「考える力」を実車で間に合う速度で組み込んだ vision-language-action（VLA）モデルです。CES 2026で発表された NVIDIA Alpamayo の中身にあたり、論文中では Alpamayo 1 とも呼ばれます。カメラ映像から「停止した先行車がいるので減速して停止する」という人間に読める推論を生成し、それに整合した走行軌道を出力します。10B版の重みとコードは公開済みです。

全体像: 見る→考える→動くを1本のトークン列に

AR1の骨格は素直です。すべてをトークンとして1本の列に並べ、言語モデルと同じ「次のトークン予測」で扱います。

[\,\boldsymbol{o}_{\text{image}},\ \boldsymbol{o}_{\text{egomotion}},\ \mathrm{Reason},\ \boldsymbol{\tau}\,]

(1)

式(1)の $\boldsymbol{o}_{\text{image}}$ は複数カメラの画像、 $\boldsymbol{o}_{\text{egomotion}}$ は自車の動きの履歴、 $\mathrm{Reason}$ は言葉による推論、 $\boldsymbol{\tau}$ は未来の走行軌道です。つまり式(1)は、「いま見えているもの」「ここまでの自分の動き」「言葉にした判断の理由」「これからの走り方」の4つを、この順に1本の文章として並べただけ、ということです。各要素は自分より左の全部を条件に生成されるので、推論が軌道より先に来るこの並び自体が「考えてから動く」を強制します。土台のVLMは物理世界の常識を学ばせた Cosmos-Reason。ここに専用の工夫を2つ足します。

1つ目は視覚の圧縮。標準的なVLMでは448×280pxの画像1枚が160トークンになり、360度を見る7〜10台のカメラ×複数時刻では数千トークンに膨れて実時間で捌けません。AR1は3枚の直交平面（triplane）に全カメラを集約するトークナイザも使え、台数や解像度によらず1時刻288トークン（7カメラで約3.9分の1）。動画ごと圧縮するFlexなら最大20分の1です。

2つ目は軌道の表現。軌道 $\boldsymbol{\tau}$ は10Hz刻みで6.4秒先まで64点の位置と向きの列ですが、生の座標はセンサーノイズに引きずられます。そこで学ぶのは各時点の加速度 $a_i$ と曲率 $\kappa_i$ ——アクセルとハンドルに相当する操作量で、座標は単純な車両モデル（unicycle dynamics）の積分で復元します。物理的にあり得ない軌道が出にくくなる設計です。

軌道は文字で書かず「流れ」で描く

面白いのは、軌道の表現を学習時と推論時で使い分けることです。学習時は操作量を量子化し、1本の軌道を128個の離散トークンとして推論の文章と同じ列に並べます。同じトークン空間を共有するから「この推論ならこの軌道」を次トークン予測だけで学べ、RLでも両方に勾配を流せます。

しかし推論時に128トークンを1個ずつ自己回帰生成すると遅すぎます。そこで拡散モデルの親戚 flow matching を使う小さな専用デコーダ（action expert）が、VLMの内部状態と推論の文章を条件に、連続値の軌道を一気に生成します。学習の目的はこう書けます。

\mathcal{L}(\Theta) = \mathbb{E}\left[\, \left\| \mathbf{v}_\Theta(\boldsymbol{a}_t, \boldsymbol{o}, \mathrm{Reason}) - (\boldsymbol{a} - \boldsymbol{\epsilon}) \right\|^2 \,\right]

(2)

式(2)は「ノイズ混じりの軌道 $\boldsymbol{a}_t$ を見せられたとき、正解の軌道 $\boldsymbol{a}$ へ向かう矢印を当てるゲーム」です。 $\boldsymbol{\epsilon}$ は混ぜた純粋なノイズで、正解の矢印は $\boldsymbol{a}-\boldsymbol{\epsilon}$ という引き算だけで書けます。要するに $\mathcal{L}(\Theta)$ は、「予想した矢印 $\mathbf{v}_\Theta$ が正解の矢印からどれだけズレたか」を二乗して、たくさんの事例で平均した値（ $\mathbb{E}$ が「平均」の記号）。学習とは、このズレを小さくしていく作業にほかなりません。推論時はこの矢印に沿って、ノイズから少しずつ進めるだけです。

import numpy as np

def decode_trajectory(v_theta, obs, reason, steps=5):
    a = np.random.randn(64, 2)      # ノイズから開始（64点分の加速度と曲率）
    dt = 1.0 / steps
    for _ in range(steps):
        a = a + dt * v_theta(a, obs, reason)  # 「正解へ向かう矢印」に沿って前進
    return integrate_unicycle(a)    # 操作量を積分して (x, y, 向き) の軌道へ

論文の実測では、この方式なら5ステップ・8.75msで軌道が出ます。自己回帰の25分の1です。

Chain of Causation: 「なぜ」を鎖でつなぐデータ

推論つきモデルの性能は推論データの質で決まります。論文が挙げる既存データセットの欠陥は3つ。行動の記述が曖昧、推論が表面的（周囲の描写だけで判断につながらない）、そして因果の混同——ラベル付けで動画全体を見せるため、まだ観測できない未来の出来事が根拠に混ざる問題です。

AR1のための Chain of Causation（CoC）データセットは、これを構造で潰します。走行判断を閉じた語彙で定義し（縦方向: 先行車追従・譲る・停止など7種、横方向: 車線維持・車線変更・はみ出し回避など8種）、判断に直接効いた因果要素だけを記録して自然文の推論トレースに組み上げます。起点は「行動が変わる0.5秒前」のキーフレームに固定し、根拠にできるのは観測済みの過去2秒だけ。未来を覗いた推論が混入しない仕掛けです。

規模はハイブリッドで稼ぎます。GPT-5などの教師VLMによる自動ラベルを主力に、約1割を人手で作って品質の錨にする。評価は「判断は一致するか」「因果要素は実在するか」というTrue/False問題に分解してLLMに判定させる方式で人間の評価と92%一致し、構造化CoCは自由記述の推論に比べ因果関係スコアを132.8%改善しました。

3段階の学習: 最後はRLで「言行一致」を強制する

学習は3段階。第1段階でVLMに軌道トークンを覚えさせ、第2段階でCoCデータのSFT（教師あり微調整）で推論を引き出します。ただしSFTはお手本の尤度を上げるだけ。見えないものを根拠に挙げる幻覚や、「減速して停止する」と言いながら加速する軌道を出す言行不一致を、直接は罰せません。

第3段階のRL（GRPO）がここを塞ぎます。報酬は3本立て。①推論品質: DeepSeek-R1などの大型推論モデルを批評家にして、生成された推論を正解と見比べ0〜5点で採点します（生成は苦手でも検証は得意という「生成と検証のギャップ」を利用）。②推論と行動の一貫性: 予測軌道を「緩やかに減速」「左に操舵」などのメタ行動列に機械的に変換し、推論の述べる意図と一致すれば1、しなければ0。③軌道品質: 手本とのL2距離、衝突の有無、ジャーク（加速度の変化率＝乗り心地）へのペナルティです。

RLは計算が重いので、データも選別します。各ロールアウトの報酬をsoftmax型の分布に変換し、

p_{\text{reward}}(\tau_i) = \frac{\exp(\beta\, r_i)}{\sum_j \exp(\beta\, r_j)}

(3)

式(3)は、複数のロールアウト $\tau_i$ の報酬 $r_i$ を「どれが選ばれるべきかの確率」に直したものです（ $\beta$ は尖り具合を決める係数）。つまり、報酬の高いロールアウトほど大きな取り分をもらう配分表で、 $\beta$ を上げれば上位総取りに近づき、下げれば横並びに近づきます。この分布とモデル自身のロジットが表す好みが食い違うサンプルを優先して学習に回します。内心と報酬が揉めている事例ほど、学びが大きいからです。

FIG 2報酬を確率に変えるBoltzmann分布は温度付きsoftmaxそのもの。温度を下げる（βを上げる）と高報酬のロールアウトに確率が集中していく様子を、スライダーで動かして確かめられます

結果: 推論は飾りではなかった

開ループ評価では、難しい場面での軌道誤差（minADE、6.4秒先）が軌道のみのベースライン0.994mに対しAR1は0.868mで12%改善。閉ループシミュレーション（75の難シナリオ）では他車への異常接近率が17%から11%へ35%減。RLは推論品質を45%、言行一致を37%改善し、0.5B→7Bのスケールでも一貫して伸びます。

そして実車です。RTX 6000 Pro Blackwell上でend-to-end 99ms——内訳は視覚エンコード3.43ms、prefill 16.54ms、推論テキスト（40トークン）の生成70ms、flow matchingの軌道デコード8.75msで、実時間要件（約100ms）に収まります。市街地の実走行では、赤信号での停止から青での再発進・右左折までを人の介入なしでこなしました。

現場ではこう使う

このモデルに触るのは、まず自動運転・ロボティクスのMLエンジニアです。E2Eスタックに説明可能性を足す検討材料として、公開重み（Hugging Face nvidia/Alpamayo-R1-10B）と推論コード（GitHub NVlabs/alpamayo）でそのまま実験できます。設計は $\pi_{0.5}$ 系のロボット基盤モデルと同型なので、運転以外の身体性AIにも読み替えが利きます。

実務で最初に触るのはレイテンシの配分です。99msの大半（70ms）は推論テキストの生成なので、推論トークンの上限が第一の調整弁。flow matchingの積分ステップ数（論文は5）は精度と速度のトレードオフ、RLでは3本の報酬の重み（L2・衝突・ジャーク）が運転の性格を決めます。ロールアウト生成はvLLM、RL基盤はCosmos-RLという構成です。

落とし穴は3つ。軌道を文字として自己回帰デコードする設計はレイテンシ予算を即死させる（99ms→312ms）。ラベル付けで未来のフレームを根拠として見せると因果混同が混入し、もっともらしいが有害なトレースができる。そして推論テキストがもっともらしくても軌道と矛盾し得る——だからこそconsistency報酬があり、逆に運用では推論と軌道の不一致を異常検知の監視信号に使えます。外部の追試でも、推論が乱れたときほど軌道が大きく逸れると報告されています。

まとめ

Alpamayo-R1は、Cosmos-Reason VLMに「因果で構造化された推論」と「flow matchingの軌道デコード」を接いだ自動運転VLA。推論→軌道の順で1本のトークン列として学習する
Chain of Causationデータセットは、判断の語彙を閉集合にし、根拠を観測済みの過去に限定して、曖昧さと因果混同を構造的に排除した
SFTだけでは言行一致が保証されないため、RLHF/RLVRの流儀で推論品質・一貫性・軌道品質の3報酬をGRPOで最適化する
難場面の軌道精度12%改善、異常接近35%減、実車99ms。「考えるAI」が安全の数字を実際に動かした点が一番の貢献

推論を支えるTransformerの仕組みはAttention機構を1から理解するで、ノイズから連続値を生成する枠組みは拡散モデル入門で扱っています。