論文の概要: X-Mind: Efficient Visual Chain-of-Thought via Predictive World Model for End-to-End Driving
- arxiv url: http://arxiv.org/abs/2606.28758v1
- Date: Sat, 27 Jun 2026 06:17:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.679691
- Title: X-Mind: Efficient Visual Chain-of-Thought via Predictive World Model for End-to-End Driving
- Title（参考訳）: X-Mind: エンド・ツー・エンド運転のための予測的世界モデルによる効率的な視覚連鎖
- Abstract要約: X-Mindは、前方に見える推論を自動運転ポリシーに組み込むフレームワークである。
アクションの前に世界展開を強制することにより、モデルはまず将来の進化を想像することを制約される。
X-Mindは、リソース制約のある車両プラットフォーム上での競合するエンドツーエンドの駆動性能を実現する。
- 参考スコア（独自算出の注目度）: 40.275378373130245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting future states is essential for autonomous agents, yet current Vision-Language-Action (VLA) models fundamentally lack this capability, relying instead on reactive perception-action mapping. While integrating Predictive World Models (PWMs) addresses this gap, existing approaches either incur prohibitive cascaded latency or act as shallow terminal tasks that fail to deeply embed forward-looking reasoning. To endow VLA models with this reasoning capability, we propose X-Mind. Rather than treating PWMs as an external auxiliary module, this framework internalizes them as the Visual Chain-of-Thought (Visual CoT). By enforcing a world rollout prior to action, the model is constrained to imagine future evolution first, yielding a driving policy that is robustly grounded in environmental dynamics and aware of the future consequences its actions will unfold. The challenge here is efficiency, and we tackle it on two fronts. First, we introduce a compact representation of visual thinking: an abstract sketch that fuses a Bird's-Eye-View (BEV) layout with abstract driving priors (e.g., navigation intents and traffic rules). Rather than rolling out dense future frames, the model reasons over this sketch as a mental canvas; aided by a Deep Compression Autoencoder (DC-AE), a 12-frame future rollout is reduced to merely 96 tokens, alleviating the long-context computational bottleneck. Second, to accelerate generation further, we propose a recurrent block diffusion scheme that unrolls the denoising steps across the layers of the large drive model, folding iterative refinement into the backbone's one forward pass. Trained and validated on large-scale real-world data, X-Mind achieves competitive end-to-end driving performance, which makes it a highly practical, low-latency solution that successfully deploys large-scale cognitive reasoning directly onto resource-constrained vehicle platforms.
- Abstract（参考訳）: 将来の状態を予測することは自律エージェントにとって不可欠であるが、現在のビジョン・ランゲージ・アクション(VLA)モデルは、その能力を根本的に欠いている。
予測的世界モデル(PWM)の統合は、このギャップに対処する一方で、既存のアプローチは、禁忌のカスケードレイテンシーを発生させるか、あるいは、前方の推論を深く埋め込むことができない浅い終端タスクとして機能する。
この推論能力でVLAモデルを実現するために,X-Mindを提案する。
PWMを外部補助モジュールとして扱う代わりに、このフレームワークはそれらをVisual Chain-of-Thought (Visual CoT)として内部化する。
行動の前に世界展開を強制することで、このモデルは将来の進化を最初に想像することを制約され、環境力学にしっかりと根ざした運転ポリシーが得られ、将来の結果が展開される。
ここでの課題は効率性です。
まず、視覚的思考のコンパクトな表現を紹介し、バード・アイビュー(BEV)レイアウトを抽象運転前(ナビゲーション意図や交通ルールなど)に融合させる抽象スケッチを紹介します。
ディープ圧縮オートエンコーダ(DC-AE)によって支援され、12フレームの将来のロールアウトは96トークンに削減され、長いコンテキストの計算ボトルネックが軽減される。
第二に、さらに生成を加速するために、大きな駆動モデルの層をまたいでデノイングステップをアンロールする繰り返しブロック拡散スキームを提案し、反復精製をバックボーンの1つの前方通過に折り畳む。
大規模な実世界のデータに基づいてトレーニングされ、検証されたX-Mindは、競合するエンドツーエンドの駆動性能を実現している。
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) - ForgeDrive: Bidirectional Cross-Conditioning for Unified Visual-Action Generation in Autonomous Driving [12.68658021226119]
本稿では,ビジュアルアクション・クロスコンディショニングを備えた自動回帰拡散フレームワークForgeDriveを紹介する。
ForgeDriveは、運転シミュレーション、計画、視覚計測を単一のモデルに統合するだけでなく、訓練後の戦略を使わずに既存の強力なプランナーよりも優れています。
論文 参考訳（メタデータ） (2026-06-30T07:05:48Z) - 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) - DriveVA: Video Action Models are Zero-Shot Drivers [23.675212404889805]
現実のシナリオは目に見えない条件下での堅牢なパフォーマンスを必要とするため、一般化は自動運転における中心的な課題である。
近年のワールドモデルに基づく計画手法は、シーン理解とマルチモーダルな将来予測において強力な能力を示している。
本稿では,新しい自律運転世界モデルであるDriveVAを提案する。
論文 参考訳（メタデータ） (2026-04-05T17:43:16Z) - 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) - Less is More: Lean yet Powerful Vision-Language Model for Autonomous Driving [7.921556303360947]
我々は,一段階のエンドツーエンド自動運転のための新しいフレームワークであるMax-V1を紹介する。
我々のフレームワークは、運転の本質的にの順序性と整合した単一パス生成パラダイムを提供する。
実験により,本手法はnuScenesデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2025-09-29T05:14:18Z) - ViLaD: A Large Vision Language Diffusion Framework for End-to-End Autonomous Driving [14.486548540613791]
エンド・ツー・エンド・エンドの自動運転のための新しいLarge Vision Language DiffusionフレームワークであるViLaDを紹介する。
ViLaDは、駆動決定シーケンス全体の並列生成を可能にし、計算遅延を大幅に削減する。
我々はnuScenesデータセットの総合的な実験を行い、ViLaDは最先端の自己回帰的VLMベースラインを計画精度と推論速度の両方で上回ります。
論文 参考訳（メタデータ） (2025-08-18T04:01:56Z) - ImagiDrive: A Unified Imagination-and-Planning Framework for Autonomous Driving [64.12414815634847]
ビジョン・ランゲージ・モデル(VLM)とドライビング・ワールド・モデル(DWM)は、この課題のさまざまな側面に対処する強力なレシピとして独立して登場した。
我々は、VLMベースの運転エージェントとDWMベースのシーン想像装置を統合した、新しいエンドツーエンドの自動運転フレームワークであるImagiDriveを提案する。
論文 参考訳（メタデータ） (2025-08-15T12:06:55Z) - FutureSightDrive: Thinking Visually with Spatio-Temporal CoT for Autonomous Driving [19.81442567260658]
本稿では,VLAを画像で考えることのできる視覚的テンポラルTフレームワークを提案する。
nuScenes と NAVSIM では、FSDrive は精度を改善し、衝突を減らす。
論文 参考訳（メタデータ） (2025-05-23T09:55:32Z) - DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。
特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。
nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
論文 参考訳（メタデータ） (2024-09-15T15:55:24Z)
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。