論文の概要: DriveFuture: Future-Aware Latent World Models for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2605.09701v1
• Date: Sun, 10 May 2026 18:45:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.379662
• Title: DriveFuture: Future-Aware Latent World Models for Autonomous Driving
• Title（参考訳）: DriveFuture: 未来の自動運転車の潜在世界モデル
• Authors: Yufeng Hong, Xiaotian Zhou, Yingyan Li, Xiangpo Zhou, Lin Liu, Yadan Luo, Shaoqing Xu, Lei Yang, Ziying Song,
• Abstract要約: 本稿では,自動運転のための将来的な潜在世界モデリングフレームワークであるDriveFutureを提案する。 トレーニング中、モデルはまず現在の潜伏状態とエゴ行動から将来の潜伏状態を予測する。 DriveFutureは、パブリックなNAVSIMベンチマークでSOTAパフォーマンスを達成し、NAVSIM-v2 textcolorbluetextitnavhard, textbf89.9S on NAVSIM-v2 textcolorbluetextitnavtest
• 参考スコア（独自算出の注目度）: 24.800191307271913
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing latent world models for autonomous driving have opened a promising path toward future-aware driving intelligence. However, they typically treat future latent states as prediction targets or auxiliary signals, rather than directly conditioning trajectory planning. This can entangle current and future features in latent space. In this work, we propose DriveFuture, a future-aware latent world modeling framework for autonomous driving that explicitly learns planning-oriented foresight by conditioning the current latent state modeling process on future world states. Specifically, during training, the model first predicts future latent world states from the current latent state and ego action, and then refines the prediction against the ground-truth future latent state via cross-attention. The resulting future-aware latent serves as an explicit condition for a diffusion-based trajectory planner. During inference, DriveFuture conditions on the predicted future latent state instead of the ground-truth future state. DriveFuture achieves SOTA performance on the public NAVSIM benchmarks, reaching \textbf{55.5} EPDMS on NAVSIM-v2 {\textcolor{blue}{\textit{navhard}}}, \textbf{89.9} EPDMS on NAVSIM-v2 {\textcolor{blue}{\textit{navtest}}}, and \textbf{90.7} PDMS on NAVSIM-v1 {\textcolor{blue}{\textit{navtest}}}, respectively. These results suggest that the key to latent world modeling lies not merely in simulating future states, but more importantly in conditioning current decision-making on future states. Notably, as of April 2026, DriveFuture ranks \textbf{1st} on the \href{https://huggingface.co/spaces/AGC2025/e2e-driving-navhard}{NAVSIM-v2 {\textcolor{blue}{\textit{navhard}}}} leaderboard and achieves SOTA performance on \href{https://huggingface.co/spaces/AGC2024-P/e2e-driving-navtest}{NAVSIM-v1 {\textcolor{blue}{\textit{navtest}}}}.
• Abstract（参考訳）: 既存の、自律運転のための潜在世界モデルは、将来認識された運転インテリジェンスへの有望な道を開いた。 しかし、それらは通常、軌跡計画を直接条件づけるのではなく、予測対象または補助信号として将来の潜伏状態を扱う。 これは、現在の特徴と将来の特徴を潜時空間で絡み合わせることができる。 本研究では,自律運転のための将来的な潜在状態モデリングフレームワークであるDriveFutureを提案する。 具体的には、トレーニング中、モデルはまず現在の潜伏状態とエゴ行動から将来の潜伏状態を予測する。 結果として生じる未来を意識した潜伏剤は拡散に基づく軌道プランナーの明示的な条件として機能する。 推論中、DriveFuture条件は、未来状態ではなく、将来の潜在状態を予測する。 DriveFuture は NAVSIM ベンチマークで SOTA のパフォーマンスを達成し、 NAVSIM-v2 {\textcolor{blue}{\textit{navhard}}} で \textbf{55.5} EPDMS、 NAVSIM-v2 {\textcolor{blue}{\textit{navtest}}} で \textbf{89.9} EPDMS、 NAVSIM-v1 {\textcolor{blue}{\textit{navtest}}} で \textbf{90.7} PDMS にそれぞれ到達した。 これらの結果は、潜在世界モデリングの鍵は、単に将来の状態をシミュレートするだけでなく、将来の状態に対する現在の意思決定を条件づけることにあることを示唆している。 2026年4月時点で、DriveFuture は \href{https://huggingface.co/spaces/AGC2025/e2e-driving-navhard}{NAVSIM-v2 {\textcolor{blue}{\textit{navhard}}}} のリーダーボードに \textbf{1st} をランク付けし、 \href{https://huggingface.co/spaces/AGC2024-P/e2e-driving-navtest}{NAVSIM-v1 {\textcolor{blue}{\textit{navtest}}}} で SOTA のパフォーマンスを達成する。

関連論文リスト

• See Tomorrow, Act Today: Foresight-Driven Autonomous Driving [87.02582063534608]
  ForeSightは、予測された意思決定として自動運転を再設計する基礎的世界モデル中心の計画フレームワークである。 提案手法は,(1)事前学習された世界モデルを用いて,有望な未来世界を生成すること,(2)これらの未来を前提とした計画行動を行うこと,の2段階からなる。
  論文  参考訳（メタデータ） (2026-05-08T03:42:05Z)
• DynFlowDrive: Flow-Based Dynamic World Modeling for Autonomous Driving [67.83404465171257]
  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。
  論文  参考訳（メタデータ） (2026-03-20T06:19:31Z)
• 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)
• World4Drive: End-to-End Autonomous Driving via Intention-aware Physical Latent World Model [18.56171397212777]
  We present World4Drive, a end-to-end autonomous driving framework that using vision foundation model to build latent world model。 World4Driveは、オープンループのnuScenesとクローズループのNavSimベンチマークに手動の認識アノテーションなしで、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-07-01T09:36:38Z)
• End-to-End Driving with Online Trajectory Evaluation via BEV World Model [52.10633338584164]
  本稿では,BEV Worldモデルを活用し,将来のBEV状態を予測するためのエンドツーエンド駆動フレームワークWoTEを提案する。 我々は,NAVSIMベンチマークとCARLAシミュレータに基づく閉ループBench2Driveベンチマークを用いて,最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-04-02T17:47:23Z)
• Driving in the Occupancy World: Vision-Centric 4D Occupancy Forecasting and Planning via World Models for Autonomous Driving [15.100104512786107]
  Drive-OccWorldは、自動運転のエンドツーエンド計画にビジョン中心の4D予測ワールドモデルを適用する。 制御可能な生成を可能にするために,速度,操舵角度,軌道,指令などの柔軟な動作条件を世界モデルに注入することを提案する。 本手法は,多目的かつ制御可能な4D占有率を創出し,次世代の運転とエンド・ツー・エンド・プランニングの進歩への道を開く。
  論文  参考訳（メタデータ） (2024-08-26T11:53:09Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Multimodal Future Localization and Emergence Prediction for Objects in Egocentric View with a Reachability Prior [36.80686175878314]
  移動車の観点から,将来の動態,特に他の車両や歩行者の将来の位置を予想する問題について検討する。 本研究では,現在画像のセマンティックマップから対象の特定のクラスに先行する到達可能性を推定し,計画されたエゴモーションを用いて未来へ伝播する。 実験により, 複数仮説学習と組み合わせた到達性により, 追跡対象の将来の位置のマルチモーダル予測が向上し, 新たな対象が出現した。
  論文  参考訳（メタデータ） (2020-06-08T15:57:26Z)

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。