要旨 自動運転の視覚・言語・行動（VLA）モデルは言語記述を用いて軌道を予測するが、標準的な視覚言語モデル（VLM）が生成するキャプションは、信頼性の高い計画に必要な安全上重要な詳細を欠くことが多い。本研究では、蒸留した衝突知識をVLAモデルの知覚ループに注入する検索拡張型キャプション生成フレームワークを提案する。この知識ベースを構築するため、現実世界のドライブレコーダーによる衝突映像1,500件をVLMの推論によって処理し、各事故の回避可能な原因を抽出したうえで、それらの説明を蒸留・一般化し、再利用可能な98件の簡潔な衝突回避方策集を作成し、18件の正式な運転規則を追加した。推論時には、現在の場面のContrastive Language-Image Pre-training（CLIP）埋め込みを用いて最も関連性の高い方策と規則を検索し、軽量VLMのキャプション生成プロンプトに注入する。CoVLAベンチマーク上で複数のキャプション生成モデルを評価した。検索により、検証した30構成中27構成で軌道予測が改善し、パラメータ数が30億以上のすべてのキャプション生成モデルにおいて、あらゆる検索深度で改善が見られた。最良の設定ではADE 0.932 m、FDE 2.116 mを達成し、検索を用いずに同一モデルが生成したキャプション（1.038 m／2.274 m）と比べてADEが10.2％低下した。また、データセットの正解キャプションによる精度（0.931 m／2.069 m）との差はADEで0.001 m以内であり、情報を含まないランダムなキャプション（1.532 m／3.089 m）と比べて39.2％改善した。
https://doi.org/10.21203/rs.3.rs-10909571/v1