論文の概要: Vehicle Dynamics Embedded World Models for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2512.02417v1
• Date: Tue, 02 Dec 2025 04:57:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.726398
• Title: Vehicle Dynamics Embedded World Models for Autonomous Driving
• Title（参考訳）: 自動車のダイナミクスを組み込んだ自動運転車の世界モデル
• Authors: Huiqian Li, Wei Pan, Haodong Zhang, Jin Huang, Zhihua Zhong,
• Abstract要約: 環境遷移力学からエゴ車両力学のモデリングを分離したVDD法を提案する。 提案モデルでは,車両動特性の変動に対して駆動性能とロバスト性の両方を向上し,既存手法よりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 13.012978896886134
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World models have gained significant attention as a promising approach for autonomous driving. By emulating human-like perception and decision-making processes, these models can predict and adapt to dynamic environments. Existing methods typically map high-dimensional observations into compact latent spaces and learn optimal policies within these latent representations. However, prior work usually jointly learns ego-vehicle dynamics and environmental transition dynamics from the image input, leading to inefficiencies and a lack of robustness to variations in vehicle dynamics. To address these issues, we propose the Vehicle Dynamics embedded Dreamer (VDD) method, which decouples the modeling of ego-vehicle dynamics from environmental transition dynamics. This separation allows the world model to generalize effectively across vehicles with diverse parameters. Additionally, we introduce two strategies to further enhance the robustness of the learned policy: Policy Adjustment during Deployment (PAD) and Policy Augmentation during Training (PAT). Comprehensive experiments in simulated environments demonstrate that the proposed model significantly improves both driving performance and robustness to variations in vehicle dynamics, outperforming existing approaches.
• Abstract（参考訳）: 世界モデルは自動運転の有望なアプローチとして大きな注目を集めている。 人間のような知覚と意思決定プロセスをエミュレートすることで、これらのモデルは動的環境に適応し、予測することができる。 既存の方法は通常、高次元の観測結果をコンパクトな潜在空間にマッピングし、これらの潜在表現の中で最適なポリシーを学ぶ。 しかしながら、先行研究は通常、画像入力からエゴ・車両力学と環境遷移力学を共同で学習し、非効率性と車両力学の変動に対する堅牢性の欠如をもたらす。 これらの問題に対処するために,環境遷移力学からエゴ車両力学のモデリングを分離したVDD法を提案する。 この分離により、世界モデルは多様なパラメータを持つ車両を効果的に一般化することができる。 さらに,学習方針の堅牢性を高めるための2つの戦略として,展開時政策調整(PAD)と訓練時政策強化(PAT)を紹介した。 シミュレーション環境における包括的実験により,提案手法は車両動特性の変動に対する駆動性能とロバスト性の両方を著しく改善し,既存手法より優れていることを示す。

関連論文リスト

• Towards Human-Like Trajectory Prediction for Autonomous Driving: A Behavior-Centric Approach [22.81464823797471]
  HiT(Human-like Trajectory Prediction, Human-like Trajectory Prediction)は、行動認識モジュールと動的集中度を組み込むことで、軌道予測を強化するために設計された新しいモデルである。 HiTの性能を評価するために,多種多様な実世界のデータセットを用いて広範な実験を行った。
  論文  参考訳（メタデータ） (2025-05-27T05:04:01Z)
• Meta-Learning Online Dynamics Model Adaptation in Off-Road Autonomous Driving [9.515695438588855]
  高速オフロード自動運転は、複雑で進化する地形特性のために固有の課題を提起する。 これらの課題に対処するために,Kalmanフィルタに基づくオンライン適応スキームとメタ学習パラメータを組み合わせた新しいフレームワークを提案する。 この結果から,メタ学習型動的モデル適応の有効性が評価され,信頼性の高い自律システムの開発が進められた。
  論文  参考訳（メタデータ） (2025-04-23T17:51:36Z)
• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• Continual Learning for Adaptable Car-Following in Dynamic Traffic Environments [16.587883982785]
  自動運転技術の継続的な進化には、多様なダイナミックな交通環境に適応できる自動車追従モデルが必要である。 従来の学習ベースのモデルは、連続的な学習能力の欠如により、目に見えないトラフィックパターンに遭遇する際のパフォーマンス低下に悩まされることが多い。 本稿では,この制限に対処する連続学習に基づく新しい車追従モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-17T06:32:52Z)
• Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
  自律運転におけるMLLM(Multimodal Large Language Models)の適用について検討する。 GPT-4oのようなモデルの開発は進んでいるが、複雑な運転環境における性能は未解明のままである。
  論文  参考訳（メタデータ） (2024-05-09T17:52:42Z)
• Isolating and Leveraging Controllable and Noncontrollable Visual Dynamics in World Models [65.97707691164558]
  Iso-DreamはDream-to-Controlフレームワークを2つの側面で改善する。 まず、逆動力学を最適化することにより、世界モデルに制御可能で制御不能な情報源を学習させることを奨励する。 第2に、エージェントの挙動を世界モデルの切り離された潜在的想像力に最適化する。
  論文  参考訳（メタデータ） (2022-05-27T08:07:39Z)
• Objective-aware Traffic Simulation via Inverse Reinforcement Learning [31.26257563160961]
  逆強化学習問題として交通シミュレーションを定式化する。 動的ロバストシミュレーション学習のためのパラメータ共有逆強化学習モデルを提案する。 提案モデルでは,実世界の車両の軌道を模倣し,同時に報酬関数を復元することができる。
  論文  参考訳（メタデータ） (2021-05-20T07:26:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。