論文の概要: DynFlowDrive: Flow-Based Dynamic World Modeling for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2603.19675v1
• Date: Fri, 20 Mar 2026 06:19:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.021953
• Title: DynFlowDrive: Flow-Based Dynamic World Modeling for Autonomous Driving
• Title（参考訳）: DynFlowDrive: 自律運転のためのフローベース動的世界モデリング
• Authors: Xiaolu Liu, Yicong Li, Song Wang, Junbo Chen, Angela Yao, Jianke Zhu,
• Abstract要約: DynFlowDriveは、異なる運転行動の下で世界状態の遷移をモデル化する潜在世界モデルである。 異なる駆動動作の下でシーン状態がどのように変化するかを記述した速度場を学習する。 これに基づいて,安定性を考慮した多モード軌道選択戦略を導入する。
• 参考スコア（独自算出の注目度）: 67.83404465171257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, world models have been incorporated into the autonomous driving systems to improve the planning reliability. Existing approaches typically predict future states through appearance generation or deterministic regression, which limits their ability to capture trajectory-conditioned scene evolution and leads to unreliable action planning. To address this, we propose DynFlowDrive, a latent world model that leverages flow-based dynamics to model the transition of world states under different driving actions. By adopting the rectifiedflow formulation, the model learns a velocity field that describes how the scene state changes under different driving actions, enabling progressive prediction of future latent states. Building upon this, we further introduce a stability-aware multi-mode trajectory selection strategy that evaluates candidate trajectories according to the stability of the induced scene transitions. Extensive experiments on the nuScenes and NavSim benchmarks demonstrate consistent improvements across diverse driving frameworks without introducing additional inference overhead. Source code will be abaliable at https://github.com/xiaolul2/DynFlowDrive.
• Abstract（参考訳）: 近年,計画信頼性を向上させるために,世界モデルが自動運転システムに組み込まれている。 既存のアプローチは通常、外見の生成や決定論的回帰を通じて将来の状態を予測し、軌道条件付きシーンの進化を捉え、信頼できない行動計画をもたらす能力を制限する。 そこで本研究では,フローベースのダイナミックスを活用する潜在世界モデルであるDynFlowDriveを提案し,異なる駆動動作下での世界状態の遷移をモデル化する。 補正フローの定式化を採用することで、異なる駆動動作の下でシーン状態がどのように変化するかを記述した速度場を学習し、将来の潜伏状態の進行予測を可能にする。 そこで本研究では, シーン遷移の安定性に応じて, 候補軌道の評価を行う, 安定性を考慮した多モード軌道選択手法を提案する。 nuScenesとNavSimベンチマークに関する大規模な実験では、追加の推論オーバーヘッドを導入することなく、さまざまな駆動フレームワーク間で一貫した改善が示されている。 ソースコードはhttps://github.com/xiaolul2/DynFlowDrive.comで参照できる。

関連論文リスト

• FutureX: Enhance End-to-End Autonomous Driving via Latent Chain-of-Thought World Model [103.2513470454204]
  FutureXは、エンド・ツー・エンドのプランナを強化し、将来のシーンの遅延推論と軌道修正を通じて複雑な動作計画を実行するパイプラインである。 FutureXは、より合理的な運動計画と衝突を減らすことで、効率を損なうことなく既存の方法を強化する。
  論文  参考訳（メタデータ） (2025-12-12T02:12:49Z)
• Future-Aware End-to-End Driving: Bidirectional Modeling of Trajectory Planning and Scene Evolution [96.25314747309811]
  将来的なシーンの進化と軌道計画を共同でモデル化する,新たなエンドツーエンドフレームワークであるSeerDriveを紹介する。 本手法はまず,周辺環境の動態を予測するために,将来の鳥眼ビュー(BEV)の表現を予測する。 2つの重要な要素がこれを可能にする:(1)予測されたBEV機能を軌道プランナーに注入する将来対応計画、(2)反復的なシーンモデリングと車両計画。
  論文  参考訳（メタデータ） (2025-10-13T07:41:47Z)
• FlowDrive: Energy Flow Field for End-to-End Autonomous Driving [50.89871153094958]
  FlowDriveは、物理的に解釈可能なエネルギーベースのフローフィールドを導入し、セマンティックな前提と安全性をBEV空間にエンコードする新しいフレームワークである。 NAVSIM v2ベンチマークの実験では、FlowDriveが最先端のパフォーマンスを86.3で達成し、安全性と計画品質の両方において以前のベースラインを超えたことが示されている。
  論文  参考訳（メタデータ） (2025-09-17T13:51:33Z)
• TrajFlow: Multi-modal Motion Prediction via Flow Matching [29.274577509291973]
  本稿では,新しいフローマッチングに基づく動き予測フレームワークであるTrajFlowを紹介する。 TrajFlowは1回のパスで複数の可算な将来の軌跡を予測し、計算オーバーヘッドを大幅に削減する。 さまざまな主要なメトリクスにわたって最先端のパフォーマンスを達成し、安全クリティカルな自動運転アプリケーションの有効性を裏付ける。
  論文  参考訳（メタデータ） (2025-06-10T08:08:31Z)
• Imagine-2-Drive: Leveraging High-Fidelity World Models via Multi-Modal Diffusion Policies [9.639797094021988]
  World Model-based Reinforcement Learning (WMRL)は、効率的な政策学習を可能にする。 マルチモーダル拡散型ポリシーアクタと高忠実度世界モデルを統合する新しいWMRLフレームワークであるImagine-2-Driveを提案する。 DiffDreamer内のDPAをトレーニングすることにより,オンラインインタラクションを最小限に抑えた堅牢なポリシー学習を実現する。
  論文  参考訳（メタデータ） (2024-11-15T13:17:54Z)
• AdaOcc: Adaptive Forward View Transformation and Flow Modeling for 3D Occupancy and Flow Prediction [56.72301849123049]
  CVPR 2024 における nuScenes Open-Occ データセットチャレンジにおいて,視覚中心の3次元活動とフロー予測トラックのソリューションを提案する。 我々の革新的なアプローチは、適応的なフォワード・ビュー・トランスフォーメーションとフロー・モデリングを取り入れることで、3次元の占有率とフロー予測を向上させる2段階のフレームワークである。 提案手法は回帰と分類を組み合わせることで,様々な場面におけるスケールの変動に対処し,予測フローを利用して将来のフレームに現行のボクセル特徴をワープする。
  論文  参考訳（メタデータ） (2024-07-01T16:32:15Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)

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。