論文の概要: IDOL: Inverse-Dynamics-Guided Future Prediction for End-to-End Autonomous Driving
- arxiv url: http://arxiv.org/abs/2605.31476v1
- Date: Fri, 29 May 2026 16:05:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.722608
- Title: IDOL: Inverse-Dynamics-Guided Future Prediction for End-to-End Autonomous Driving
- Title（参考訳）: IDOL: エンド・ツー・エンド自動運転の未来予測
- Abstract要約: IDOLは、潜在BEV空間におけるワールドモデルに基づくエンド・ツー・エンド・プランニングのための逆力学誘導型将来の予測フレームワークである。
IDOLはまず、BEVワールドモデルを用いて複数の将来の潜伏シーン状態を予測し、次に隣接する潜伏未来に逆ダイナミクスモデルを適用する。
これらの逆力学に基づく信号は、計画された軌道を最適化するために使用され、受動シーン予測から将来の予測を実行可能な計画ガイダンスに変える。
- 参考スコア（独自算出の注目度）: 6.515607168928518
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: End-to-end autonomous driving has emerged as a compelling paradigm for learning planning directly from sensor observations, while recent world-model-based approaches further enrich this paradigm by enabling explicit reasoning about how the scene may evolve in the future. Yet future prediction alone does not guarantee better planning unless the predicted evolution can be converted into planning-relevant trajectory updates. Many current methods still forecast future scene states without explicitly decoding the motion implications hidden in state transitions. As a result, future reasoning often remains descriptively useful but only weakly coupled to executable motion generation. To address this limitation, we propose \mathbf{IDOL}, an inverse-dynamics-guided future prediction framework for world-model-based end-to-end planning in latent BEV space, where inverse dynamics serves as the key bridge between future prediction and trajectory optimization. IDOL first predicts multiple future latent scene states with a BEV world model, then applies an inverse dynamics model to adjacent latent futures to decode transition-aware trajectory features and recover planning-relevant motion deltas that explain how the latent world evolves over time. These inverse-dynamics-derived signals are used to optimize the planned trajectory, turning future forecasting from passive scene anticipation into actionable planning guidance. A lightweight closed-loop refinement module further improves long-horizon consistency by reusing the optimized trajectory for another round of future-aware reasoning. By introducing inverse dynamics into latent future reasoning, IDOL tightens the coupling between world modeling and planning. Extensive experiments on the NAVSIM v1 and NAVSIM v2 benchmarks show that IDOL achieves state-of-the-art performance among comparable methods.
- Abstract（参考訳）: エンド・ツー・エンドの自動運転は、センサー観測から直接計画を学ぶための魅力的なパラダイムとして現れており、最近の世界モデルに基づくアプローチは、将来どのようにシーンが進化するかを明確に推論することで、このパラダイムをさらに強化している。
しかし、将来の予測だけでは、予測された進化が計画関連軌道更新に変換されない限り、より良い計画を保証することはできない。
多くの現在の手法は、状態遷移に隠された動作含意を明示的に復号することなく将来のシーン状態を予測している。
結果として、将来の推論はしばしば記述的に有用であるが、実行可能運動生成と弱い結合しか持たない。
この制限に対処するために,潜在型BEV空間におけるワールドモデルに基づくエンド・ツー・エンド・プランニングのための逆力学誘導未来の予測フレームワークである \mathbf{IDOL} を提案する。
IDOLはまず、BEVワールドモデルを用いて複数の未来の潜伏シーン状態を予測し、次に隣接する潜伏未来に逆ダイナミクスモデルを適用して、遷移対応の軌道特徴をデコードし、潜伏世界が時間とともにどのように進化するかを説明する計画関連モーションデルタを復元する。
これらの逆力学に基づく信号は、計画された軌道を最適化するために使用され、受動シーン予測から将来の予測を実行可能な計画ガイダンスに変える。
軽量閉ループリファインメントモジュールは、将来の推論のために最適化された軌道を再利用することで、より長い水平整合性を改善する。
潜在する将来の推論に逆ダイナミクスを導入することで、IDOLは世界モデリングと計画の結合を強化します。
NAVSIM v1 と NAVSIM v2 ベンチマークの大規模な実験は、IDOL が同等の手法で最先端のパフォーマンスを達成することを示している。
関連論文リスト
- Drive-HWM: Hierarchical World Models for Dynamic-Latent Guided Autonomous Driving [78.83165764484562]
Drive-HWMは階層的なスローファーストな世界モデリングフレームワークで、将来の表現予測とアクション生成を補完的な時間スケールで構成する。
次のフレーム予測では、高速モデルが差し迫ったシーンの進化を捉え、一方1ステップのアクション生成は、新しい観察が到着すると、決定を継続的に更新することを可能にする。
論文 参考訳（メタデータ） (2026-09-03T09:21:19Z) - DA-WAM: Decision-Aligned Future Latents for Driving World Models [6.756366477497099]
DA-WAMは、予測表現学習、行動条件付き将来のモデリング、軌道スコアを単一の意思決定目標の下で統一するフレームワークである。
動作条件付き予測器は、トラジェクトリ候補毎の異なる将来の潜在状態を生成し、将来の遅延条件付き因子化スコアラによって評価される。
NAVSIM-v1とNAVSIM-v2の実験は、最先端の性能を示し、改善と診断分析は鍵となる構成要素を検証する。
論文 参考訳（メタデータ） (2026-08-19T16:33:02Z) - Uni-World VLA: Interleaved World Modeling and Planning for Autonomous Driving [52.04950569530877]
我々は、将来のフレーム予測と軌道計画の密接なインターリーブを行う統合視覚言語行動モデルUni-World VLAを提案する。
提案手法は,高忠実度将来のフレーム予測を行いながら,競合する閉ループ計画性能を実現する。
論文 参考訳（メタデータ） (2026-03-28T14:39:51Z) - 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) - 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) - Autoregressive End-to-End Planning with Time-Invariant Spatial Alignment and Multi-Objective Policy Refinement [15.002921311530374]
自動回帰モデルは、自動運転におけるエンドツーエンドの計画のための、強烈なベースラインである。
彼らのパフォーマンスは、過去の知覚データに将来の行動を条件にする必要があるため、時間的ミスアライメントによって制約される。
本稿では,初期環境特徴を一貫したエゴ中心のフレームに投影する時間不変アライメント(TISA)モジュールを提案する。
また、DPO(Direct Preference Optimization)を用いた多目的ポストトレーニングのステージを導入し、純粋な模倣を克服する。
論文 参考訳（メタデータ） (2025-09-25T09:24:45Z) - AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。
同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。
そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文 参考訳（メタデータ） (2024-03-20T06:22:37Z) - 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。