論文の概要: VectorWorld: Efficient Streaming World Model via Diffusion Flow on Vector Graphs
- arxiv url: http://arxiv.org/abs/2603.17652v1
- Date: Wed, 18 Mar 2026 12:13:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-19 18:32:57.689351
- Title: VectorWorld: Efficient Streaming World Model via Diffusion Flow on Vector Graphs
- Title（参考訳）: VectorWorld: ベクトルグラフ上の拡散フローによる効率的なストリーミングワールドモデル
- Abstract要約: 本稿では,ego中心のベクターグラフタイルをロールアウト中に段階的に生成するストリーミングワールドモデルであるVectorWorldを提案する。
これは、モーションアウェアのゲートVAEを介してポリシー互換の相互作用状態を生成することで、履歴条件のポリシーと整合する。
solvrfreegated Diconditioned Training MeanFlow JVPを通じて、リアルタイムのアウトステップ補完をサポートする。
- 参考スコア（独自算出の注目度）: 10.040683730802266
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Closed-loop evaluation of autonomous-driving policies requires interactive simulation beyond log replay. However, existing generative world models often degrade in closed loop due to (i) history-free initialization that mismatches policy inputs, (ii) multi-step sampling latency that violates real-time budgets, and (iii) compounding kinematic infeasibility over long horizons. We propose VectorWorld, a streaming world model that incrementally generates ego-centric $64 \mathrm{m}\times 64\mathrm{m}$ lane--agent vector-graph tiles during rollout. VectorWorld aligns initialization with history-conditioned policies by producing a policy-compatible interaction state via a motion-aware gated VAE. It enables real-time outpainting via solver-free one-step masked completion with an edge-gated relational DiT trained with interval-conditioned MeanFlow and JVP-based large-step supervision. To stabilize long-horizon rollouts, we introduce $Δ$Sim, a physics-aligned non-ego (NPC) policy with hybrid discrete--continuous actions and differentiable kinematic logit shaping. On Waymo open motion and nuPlan, VectorWorld improves map-structure fidelity and initialization validity, and supports stable, real-time $1\mathrm{km}+$ closed-loop rollouts (\href{https://github.com/jiangchaokang/VectorWorld}{code}).
- Abstract（参考訳）: 自動運転ポリシーのクローズドループ評価には、ログ再生以外のインタラクティブなシミュレーションが必要である。
しかし、既存の生成的世界モデルは、しばしば閉ループで劣化する。
(i)政策の入力を誤る履歴のない初期化
(二)リアルタイム予算に違反したマルチステップサンプリングレイテンシ、及び
(三)長地平線上での運動不能の複合化。
ロールアウト中にego中心の6,4 \mathrm{m}\times 64\mathrm{m}$ lane-agentベクトルグラフタイルを漸進的に生成するストリーミングワールドモデルであるVectorWorldを提案する。
VectorWorldは、Motion-Aware gated VAEを通じてポリシー互換のインタラクション状態を生成することで、履歴条件のポリシーと初期化を整合させる。
インターバル条件付きMeanFlowとJVPベースの大規模監視によってトレーニングされたエッジゲートリレーショナルDiTを用いて、ソルバフリーのワンステップマスク補完によるリアルタイムのアウトペイントを可能にする。
長期のロールアウトを安定させるために, 物理対応の非エゴ(NPC)ポリシーである$Δ$Simを導入する。
WaymoのオープンモーションとnuPlanでは、VectorWorldはマップ構造の忠実度と初期化の妥当性を改善し、安定的でリアルタイムな1.\mathrm{km}+$クローズドループロールアウトをサポートする(\href{https://github.com/jiangchaokang/VectorWorld}{code})。
関連論文リスト
- FlowPilot: Real-Time World-Action Modeling for Agile UAV Navigation [18.092834753587454]
FlowPilotは、UAVナビゲーションを深度からリアルタイムに行うための、コンパクトなワールドアクションモデルである。
デュアルストリーム・オブ・トランスフォーマーは、ビデオとアクションの専門家を共通の注意で結合し、将来的な予測と軌跡生成を相互に通知する。
論文 参考訳（メタデータ） (2026-08-01T12:43:31Z) - Temporal Policy: History-Initialized Action Generation for Robotic Learning from Demonstration [0.01268579273097071]
生成モデルは、デモレーション(LfD)からのロボット学習のためのマルチモーダルな振る舞いを捉えるのに優れるが、しばしば高い推論コストに悩まされる。
本稿では,時間的結合輸送問題として行動生成を定式化する補間剤に基づく生成フレームワークである時間的ポリシーを紹介する。
ビジュモータシミュレーションベンチマークおよび物理Barrett WAM 2x 7DoFプラットフォーム上での時間ポリシーの検証を行った。
論文 参考訳（メタデータ） (2026-07-31T14:47:02Z) - PIER-Flow: Physics-Informed Efficient Rectified Flow for Real-Time Mobile Robot Navigation [10.164953732323463]
PIER-Flowは移動ロボットのための軽量ナビゲーションポリシーである。
98.85%の成功率とゼロ衝突を達成し、平均値は$sim$1.29 msである。
論文 参考訳（メタデータ） (2026-07-11T12:34:28Z) - Point as Skeleton: Accumulated Point Cloud Enhanced Autoregressive Generation for Closed-Loop Autonomous Driving Simulation [58.86413499077093]
状態更新型自己回帰駆動ビデオ生成のための生成センサシミュレーションフレームワークであるSkeleton を textbfemphPoint として提案する。
閉ループロールアウトをサポートするために,リセット・アンド・ロール(Reset-and-Roll)を導入し,ローリング拡散推論をシミュレーションに適用する。
nuScenes と nuPlan の実験では、textitPoint as Skeleton がクローズドループロールアウト時の自動回帰生成品質を向上させることが示されている。
論文 参考訳（メタデータ） (2026-07-07T17:20:51Z) - CausalDrive: Real-time Causal World Models for Autonomous Driving [60.66609721457312]
制御可能でリアルタイムなファンデーション駆動の世界であるCausalDriveを紹介します。
CaulDriveは、最初のフロントビューフレーム、エゴ車両の軌道、マクロテキストプロンプトのみで動作する。
本稿では,(1)衝突アーティファクトを著しく緩和した生成的クローズループ評価,(2)ビデオ2Rewardモジュールによる大規模強化学習(RL)後トレーニング,(3)リアルタイムの人間-イン-ザ・ループシミュレーション,の3つのダウンストリームアプリケーションにおける汎用性を実証する。
論文 参考訳（メタデータ） (2026-06-13T15:04:44Z) - Composable Model-Free RL for Navigation with Input-Affine Systems [3.2917282915992883]
自律型ロボットが複雑でダイナミックな現実世界の環境に移動するとき、彼らはリアルタイムで安全にナビゲートすることを学ぶ必要がある。
本研究では,各環境要素の値関数と最適ポリシーを学習する構成可能なモデルフリー強化学習手法を提案する。
論文 参考訳（メタデータ） (2026-02-13T00:19:35Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Pseudo-Simulation for Autonomous Driving [66.1981253104508]
既存の自動運転車(AV)の評価パラダイムは、重大な制限に直面している。
現実世界の評価は、安全上の懸念と現実主義の欠如のためにしばしば困難である。
オープンループ評価は、一般的に複合的なエラーを見落としているメトリクスに依存する。
論文 参考訳（メタデータ） (2025-06-04T17:57:53Z) - FLARE: Robot Learning with Implicit World Modeling [87.81846091038676]
$textbfFLARE$は、予測潜在世界モデリングをロボットポリシー学習に統合する。
$textbfFLARE$は最先端のパフォーマンスを実現し、これまでのポリシー学習のベースラインを最大26%上回っている。
この結果は、暗黙の世界モデリングと高周波ロボット制御を組み合わせた汎用的でスケーラブルなアプローチとして$textbfFLARE$を確立した。
論文 参考訳（メタデータ） (2025-05-21T15:33:27Z) - Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。
既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。
我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2024-12-11T06:35:18Z)
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。