論文解説: DEFT-RLVR — 自動運転VLMに未来の軌跡を「先に見せる」と推論が捏造される
自動運転VLMのCoT教師データ作成で正解軌跡を先に見せると、教師は理由を後付けし幻覚が29%→50%に倍増する——この「軌跡アンカリングバイアス」を実証し、走行計画を選択問題化(AD-MCQ)して軌跡の開示を決断の後に遅延させる強化学習 DEFT-RLVR (arXiv:2608.01755) を論文本文だけを根拠に解説する。
Deferred Exposure of Future Trajectories for Verifiable Reasoning in Autonomous Driving VLMs
一次資料 — この記事の根拠
論文の発表 2026-08-03→この解説の公開 2026-08-13同月
Deferred Exposure of Future Trajectories for Verifiable Reasoning in Autonomous Driving VLMsZixuan Huang, Yang Zhou, Kaixuan Wang ほか · 2026-08-03 · v2arXiv:2608.01755論文ページ·PDF原文の要旨（Abstract）を読む
Recent Vision-Language-Action (VLA) models for autonomous driving (AD) increasingly utilize chain-of-thought (CoT) supervision to enhance the reasoning capabilities of their Vision-Language Model (VLM) components, yet existing annotation pipelines commonly expose the teacher model to the logged ground-truth (GT) future trajectory. We empirically show that this induces trajectory anchoring bias: teacher models rationalize the revealed outcome rather than infer a decision from scene evidence, producing less causally faithful CoTs and substantially more severe hallucinations, especially in causally challenging scenes. Removing the GT trajectory eliminates this shortcut, but open-ended trajectory generation entangles high-level decision-making with precise geometric synthesis and low-level dynamics. To make trajectory-level driving decisions verifiable without requiring open-ended trajectory synthesis, we introduce Autonomous-Driving Multiple-Choice Question (AD-MCQ), which casts planning as selection among explicit trajectory candidates. Taking this a step further, we propose Deferred Exposure of Future Trajectories for RLVR (DEFT-RLVR) to transform future trajectories from pre-decision anchors into post-decision verification targets. Experimental results show that DEFT-RLVR improves AD reasoning while preserving or even enhancing general visual capabilities. With VLM-only inference and controllable difficulty through candidate construction, AD-MCQ provides a flexible, scalable, and extensible foundation for future research on verifiable AD reasoning.
答えを先に見せられた先生は、理由を捏造する
運転免許の教官に「この場面で正解は右折です。理由を説明してください」と頼んだとします。教官は実際の判断過程をたどる代わりに、右折を正当化する説明をひねり出すでしょう。極端な場合、存在しない「右折専用標識」まで持ち出すかもしれません。
これは比喩ですが、後半は実際に観測された現象です。今回の論文（arXiv:2608.01755）のFigure 1には、正解軌跡を見せられた教師モデルが、シーンに存在しない「強制右折標識」を発明して説明を組み立てた実例が示されています（§1）。
自動運転向けの VLA（Vision-Language-Action）モデル は、大きな VLM（視覚言語モデル） に高レベルの状況判断をさせ、小さな行動専門モジュールに幾何学的な軌跡予測をさせる分業構成が主流です（§1）。認識から制御までを1本のネットワークで通す従来のE2E運転（End-to-End運転を1から）に、言語による説明可能性を足した形だと思ってください。そのVLMの推論力を鍛えるために、教師モデルに CoT（chain-of-thought、思考の連鎖） の説明文を書かせて教師データにするのが定番ですが、既存のアノテーションパイプラインの多くは、教師に正解（ground truth, GT）の未来軌跡を先に見せてしまう。論文はこれが 軌跡アンカリングバイアス（trajectory anchoring bias） ——認知心理学でいう、先に与えられた情報が後の判断を歪める現象——を引き起こすと主張し、実証します（§1, §2）。
証拠: 幻覚が29%から50%へ倍増する
論文の検証設計は潔癖です（§2, §B.1）。急ブレーキ・停止・急旋回を含む「因果的に難しい」100シーンを選び、同じ教師モデル（Qwen3.5-397B-A17B）、同じ映像12フレーム、バイト単位で同一のシステムプロンプト、温度0で、違いはただ1点——正解の未来軌跡10点分を挿入するかどうか——という対照実験を組みます。
得られた200本のCoTを、どちらの条件かを伏せた2名の人間評価者が「根拠づけ・幻覚の不在・具体性・因果的一貫性」の4軸で採点した結果（§B.2）:
- 深刻な幻覚の発生率: 軌跡を見せないと29.0%、見せると50.0%（Table 1）
- どちらの説明が良いかの一対比較: 軌跡なしの勝率60.5%に対し、軌跡ありは24.0%（Table 1）
つまり、答えを先に渡すことは説明を良くするどころか、シーンに無い証拠をでっち上げてまで結論を正当化する方向にモデルを押し出します。しかも劣化は、確実な推論が最も必要な難しい場面に集中していました（§1）。
素直な対策は「軌跡を見せずに、シーンから判断させる」ですが、今度は別の問題が生じます。自由記述で軌跡（座標列）を生成させると、高レベルの判断と、ミリ単位の幾何学合成・車両力学が一つのタスクに絡まってしまうのです（§1）。言語モデルの得意分野から外れます。
第一の道具: 運転判断を「選択問題」にする — AD-MCQ
そこで論文は、走行計画を多肢選択問題に変換します。AD-MCQ（Autonomous-Driving Multiple-Choice Question） は、各シーンに対して明示的な候補軌跡を複数提示し、「どれを選ぶか」を問う形式です（§3）。選択なら正誤が機械的に検証できます。
候補はどう作るか。走行ログ約49万本の5秒軌跡（0.5秒おき10点の座標列）をK-meansでクラスタリングし、 個の「軌跡の型」からなるコードブックを作ります。任意の軌跡は、最も近い型に割り当てて離散化します（§3）。
言い換えると「自分の軌跡 の10個の通過点 と、型 の通過点 のズレを全時刻で合計し、それが最小になる型の番号 を選ぶ」です。 という規模は、復元誤差（見たことのない軌跡でも平均0.290m）と型の利用率92.0%のバランスから選ばれています（§3, §C.5）。
各問題では、正解の型1つに、型同士の類似度 が一定範囲にある「ハードネガティブ（正解に似た不正解）」などを混ぜて6択を構成します。ブレーキのタイミング、速度プロファイル、横方向の形状といった軌跡レベルの違いが選択肢に保存されるため、「左折/直進」のような粗い行動ラベルより解像度の高い判断を問えます（§3）。
コメント
コメントにはログインが必要です