自動運転システムの安全性向上には、危険度の高い走行シナリオを大規模なデータセットから効率的に抽出することが重要である。しかし現在のアプローチの多くは、人間のアノテータによる手作業や教師あり分類器、あるいは手作業で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」に関する事前知識が必要という課題を抱えている。新たな研究は、このような事前知識なしに、モデルが自動的にシナリオの複雑さを発見できるかという問題に取り組んでいる。 研究チームは、Joint Embedding Predictive Architecture（JEPA）と呼ばれる最小限のモデルを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で訓練し、時間的予測誤差を複雑度スコアとして利用する手法を提案した。訓練時や評価時に一切のラベルにアクセスすることなく、モデルは保護されていない右左折、横断歩道での相互作用、歩行者との近接シナリオに対して著しく高いスコアを割り当てる一方、車線追従や静止している交通シナリオには低いスコアを割り当てることに成功した。 この発見は4つのアブレーション実験を通じて検証され、信号源が特定された。さらに下流タスクである異常検知評価では、平均精度0.512を達成し、ベースラインの0.436を大きく上回る結果が得られた。これらの結果は、自己教師あり潜在ワールドモデルにおける時間的予測誤差が、自動運転シナリオの複雑性の実用的な代替指標となることを示唆している。