論文の概要: HanoiWorld : A Joint Embedding Predictive Architecture BasedWorld Model for Autonomous Vehicle Controller

• arxiv url: http://arxiv.org/abs/2601.01577v1
• Date: Sun, 04 Jan 2026 15:49:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.540771
• Title: HanoiWorld : A Joint Embedding Predictive Architecture BasedWorld Model for Autonomous Vehicle Controller
• Title（参考訳）: ハノイワールド : 自律走行車制御のための予測アーキテクチャに基づく世界モデルの共同埋め込み
• Authors: Tran Tien Dat, Nguyen Hai An, Nguyen Khanh Viet Dung, Nguyen Duy Duc,
• Abstract要約: 本研究では、JEPAベースの世界モデルであるハノイワールドを紹介し、リカレントニューラルネットワーク(RNN)を用いて、効果的な推論時間で長期水平計画を行う。 実験では,SOTAベースラインと比較して,安全に配慮した運転計画作成の有効性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current attempts of Reinforcement Learning for Autonomous Controller are data-demanding while the results are under-performed, unstable, and unable to grasp and anchor on the concept of safety, and over-concentrating on noise features due to the nature of pixel reconstruction. While current Self-Supervised Learningapproachs that learning on high-dimensional representations by leveraging the JointEmbedding Predictive Architecture (JEPA) are interesting and an effective alternative, as the idea mimics the natural ability of the human brain in acquiring new skill usingimagination and minimal samples of observations. This study introduces Hanoi-World, a JEPA-based world model that using recurrent neural network (RNN) formaking longterm horizontal planning with effective inference time. Experimentsconducted on the Highway-Env package with difference enviroment showcase the effective capability of making a driving plan while safety-awareness, with considerablecollision rate in comparison with SOTA baselines
• Abstract（参考訳）: 自律制御のための強化学習の現在の試みは、結果が低パフォーマンスで不安定であり、安全の概念をつかむことができず、また画素再構成の性質によってノイズの特徴に過度に集中する一方で、データ要求である。 JEPA(JointEmbedding Predictive Architecture)を活用することで高次元表現を学習することは興味深いが、このアイデアは想像力と最小限の観察サンプルを用いて新しいスキルを習得する際の人間の脳の自然な能力を模倣するものである。 本研究では、JEPAベースの世界モデルであるハノイワールドを紹介し、リカレントニューラルネットワーク(RNN)を用いて、効果的な推論時間で長期水平計画を行う。 相違環境をもつハイウェイ-Envパッケージ上で実施された実験は、SOTAベースラインと比較してかなりの衝突率で運転計画作成の有効性を示す

関連論文リスト

• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
  ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。 我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。 次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
  論文  参考訳（メタデータ） (2025-06-09T03:14:04Z)
• InDRiVE: Intrinsic Disagreement based Reinforcement for Vehicle Exploration through Curiosity Driven Generalized World Model [0.0]
  本稿では,InDRiVE(Intrinsic Disagreement based Reinforcement for Vehicle Exploration)をモデルベース強化学習フレームワークとして提案する。 エージェントは、世界モデルのアンサンブルを訓練することにより、タスク固有のフィードバックなしで、環境の不確実性の高い領域を積極的に探索する。 InDRiVEはDreamerV2やDreamerV3に比べて高い成功率と少ない屈折率を達成している。
  論文  参考訳（メタデータ） (2025-03-07T16:56:00Z)
• Dream to Drive with Predictive Individual World Model [12.05377034777257]
  本稿では,自律運転のための予測的個別世界モデル(PIWM)を用いたモデルベース強化学習(MBRL)手法を提案する。 PIWMは、運転環境を個人レベルで記述し、車両の対話的関係と意図を捉える。 PIWMの想像力で訓練され、意図を意識した潜伏状態を活用する都市運転シーンで効果的にナビゲートする。
  論文  参考訳（メタデータ） (2025-01-28T06:18:29Z)
• Self-Supervised Representation Learning with Joint Embedding Predictive Architecture for Automotive LiDAR Object Detection [10.19369242630191]
  本稿では,自動運転のための新しい自己指導型事前学習フレームワークAD-L-JEPAを提案する。 既存の方法とは異なり、AD-L-JEPAは生成的でもコントラスト的でもない。 高品質、高速、GPUメモリ効率の高い自己教師あり表現学習を提供する。
  論文  参考訳（メタデータ） (2025-01-09T04:47:51Z)
• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally Driving With Model Predictive Path Integral Control [4.23755398158039]
  本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。 提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。 シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:09:49Z)

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。