英国の自動運転 AI の Wayve が、エンドツーエンドの AI 向けの検証手法「Validation 2.0」を技術ブログで説明した。世界モデルによる模擬走行、運転の良し悪しを採点する学習済みモデル「GRADER」、過去の試験結果を新しい版の根拠に使う統計の手法の3つで構成するとしている。
- 英国の自動運転 AI の Wayve が2026年11月5日、エンドツーエンドの AI による自動運転（同社のいう AV2.0）向けの検証手法「Validation 2.0」を、技術ブログで説明した。機能安全と SOTIF の規格を土台にしたまま、運転の振る舞いの検証に重点を置くとしている
- 従来の（AV1.0 の）検証は、知覚・計画・地図など部品ごとに要件・試験・指標を作って積み上げる。同社は、部品ごとの試験に通っても全体の安全は保証されず、データが増えても検証の仕組み自体は良くならないと指摘している
- 1本目の柱は、世界モデル「GAIA」による閉ループの模擬走行。ドライブレコーダーなどの実際の映像から、操作できる場面を作り、まれで危険な出来事での AI Driver の振る舞いを調べる
- 2本目の柱は、運転の良し悪しを採点する学習済みの報酬モデル「GRADER」。AV の本体とは独立に、オフラインで採点する。道路の規則は与えず、データから地域ごとの運転の慣習を学ぶとしている。例として、赤信号での右折が許されないドイツでは止まったままを高く、許される場面の多い米国では低く採点する
- 3本目の柱は、過去のソフトウェアの版・車種・走行の条件で得た試験結果を、新しい版の安全性の根拠に使う「証拠の移転」。ベイズ流の統計の手法（power prior）などで、過去のデータに統計上の似かたに応じた重みをつけて足し合わせる
- 社内の分析では、顧客の車両のデータを使うと、事象の発生率の95%信頼区間の上限が3分の1に縮み、必要な検証データを20倍を超えて減らせたとしている
確かめた一次資料
この記事は、上の一次資料の原文を読んで書いています。数字は原文のとおりで、計算した値はそう書いています。