論文の概要: Self-Supervised JEPA-based World Models for LiDAR Occupancy Completion and Forecasting

• arxiv url: http://arxiv.org/abs/2602.12540v1
• Date: Fri, 13 Feb 2026 02:42:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.818916
• Title: Self-Supervised JEPA-based World Models for LiDAR Occupancy Completion and Forecasting
• Title（参考訳）: LiDARの運用完了と予測のための自己監督型JEPAベースの世界モデル
• Authors: Haoran Zhu, Anna Choromanska,
• Abstract要約: 我々は、LiDARデータから将来の時間的進化を予測する自動運転のための自己監督型世界モデルである textbfAD-LiST-JEPA を提案する。 そこで我々は,下流をベースとした作業の完了と予測タスクを通じて,学習した表現の質を評価する。
• 参考スコア（独自算出の注目度）: 11.278785857643575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous driving, as an agent operating in the physical world, requires the fundamental capability to build \textit{world models} that capture how the environment evolves spatiotemporally in order to support long-term planning. At the same time, scalability demands learning such models in a self-supervised manner; \textit{joint-embedding predictive architecture (JEPA)} enables learning world models via leveraging large volumes of unlabeled data without relying on expensive human annotations. In this paper, we propose \textbf{AD-LiST-JEPA}, a self-supervised world model for autonomous driving that predicts future spatiotemporal evolution from LiDAR data using a JEPA framework. We evaluate the quality of the learned representations through a downstream LiDAR-based occupancy completion and forecasting (OCF) task, which jointly assesses perception and prediction. Proof of concept experiments show better OCF performance with pretrained encoder after JEPA-based world model learning.
• Abstract（参考訳）: 物理的な世界で動くエージェントとして自律運転には、長期計画をサポートするために環境が時空間的にどのように進化するかをキャプチャする‘textit{world model} を構築する基本的な能力が必要である。 同時に、スケーラビリティは、そのようなモデルを自己管理的に学習することを要求する。 \textit{joint-embedding predictive architecture (JEPA) は、高価な人間のアノテーションに頼ることなく、大量のラベルのないデータを活用することによって、世界モデルを学習することができる。 本稿では、JEPAフレームワークを用いて、LiDARデータから将来の時空間進化を予測する自動運転のための自己監督型世界モデルである「textbf{AD-LiST-JEPA}」を提案する。 我々は,認識と予測を共同で評価する,下流のLiDARによる占領完了と予測(OCF)タスクを通じて,学習した表現の質を評価する。 概念実証実験は、JEPAベースのワールドモデル学習の後、事前訓練されたエンコーダによるOCF性能の向上を示す。

関連論文リスト

• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• VJEPA: Variational Joint Embedding Predictive Architectures as Probabilistic World Models [0.0]
  EmphVariational JEPA (VJEPA) はテキスト確率論的な一般化であり、変動目的を通して将来の潜伏状態の予測分布を学習する。 VJEPA表現は、画素再構成なしで最適な制御のための十分な情報状態として機能し、崩壊回避の正式な保証を提供する。 我々は、予測的信念を学習力学の専門家とモジュラー事前専門家に分解する拡張であるEmphBayesian JEPA (BJEPA)を提案する。
  論文  参考訳（メタデータ） (2026-01-20T18:04:16Z)
• Value-guided action planning with JEPA world models [44.84158001773079]
  環境を推論できるディープラーニングモデルを構築するには、その基盤となるダイナミクスをキャプチャする必要がある。 JEPA(Joint-Embeded Predictive Architectures)は、そのようなダイナミクスをモデル化するための有望なフレームワークを提供する。 本稿では,JEPAワールドモデルを用いて,表現空間を形作ることで計画を強化する手法を提案する。
  論文  参考訳（メタデータ） (2025-12-28T20:17:49Z)
• Koopman Invariants as Drivers of Emergent Time-Series Clustering in Joint-Embedding Predictive Architectures [0.03499870393443267]
  JEPA(Joint-Embedding Predictive Architectures)は、その基盤となる動的システマティクスによって時系列データをクラスタする、説明のつかない能力を示す。 本稿では,JEPAの予測対象が暗黙的にシステムのクープマン作用素の不変部分空間を学習させるという仮説を,この現象の新たな理論的説明として提案する。 この研究はJEPAsの重要な振舞いを解き、現代の自己教師付き学習と動的システム理論の原則的なつながりを提供し、より堅牢で解釈可能な時系列モデルの設計を知らせる。
  論文  参考訳（メタデータ） (2025-11-12T22:33:56Z)
• LeJEPA: Provable and Scalable Self-Supervised Learning Without the Heuristics [53.247652209132376]
  JEPA(Joint-Embedding Predictive Architectures)は、有望な青写真を提供するが、実践的なガイダンスや理論の欠如がアドホックな研究開発につながっている。 我々はJEPAの包括的な理論を示し、それをbf LeJEPAでインスタンス化する。
  論文  参考訳（メタデータ） (2025-11-11T18:21:55Z)
• AI in a vat: Fundamental limits of efficient world modelling for agent sandboxing and interpretability [84.52205243353761]
  最近の研究は、世界モデルを使用して、AIエージェントをデプロイ前にテストできる制御された仮想環境を生成することを提案する。 評価対象のAIエージェントに非依存な世界モデルを簡単にする方法を検討する。
  論文  参考訳（メタデータ） (2025-04-06T20:35:44Z)
• 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)
• 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)
• DOME: Taming Diffusion Model into High-Fidelity Controllable Occupancy World Model [14.996395953240699]
  DOMEは拡散に基づく世界モデルであり、過去の占有観察に基づいて将来の占有枠を予測する。 この世界のモデルが環境の進化を捉える能力は、自動運転の計画に不可欠である。
  論文  参考訳（メタデータ） (2024-10-14T12:24:32Z)

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。