論文の概要: Ego-Dynamics-Augmented World Model for Autonomous Driving with Zero-Shot Cross-Chassis Adaptation

• arxiv url: http://arxiv.org/abs/2607.13410v1
• Date: Wed, 15 Jul 2026 03:20:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.630203
• Title: Ego-Dynamics-Augmented World Model for Autonomous Driving with Zero-Shot Cross-Chassis Adaptation
• Title（参考訳）: Ego-Dynamics-Augmented World Model for autonomous Driving with Zero-Shot Cross-Chassis Adaptation
• Abstract要約: World Model (WM)ベースの強化学習は、サンプル効率のよいエンドツーエンドの自動運転学習を可能にする。 ほとんどのWMは本質的に自我中心である鳥の目視(BEV)表現で動作する。 本研究は,動的拡張型ドリーマー型強化学習法であるDynaDreamerを提案する。
• 参考スコア（独自算出の注目度）: 49.23697454856427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World model (WM)-based reinforcement learning enables sample-efficient end-to-end autonomous driving learning by imagining long-horizon trajectories in latent space. However, most driving WMs operate on bird's-eye-view (BEV) representations that are inherently egocentric: the transition between consecutive frames entangles the ego vehicle's own motion with scene dynamics. As a result, the WM devotes significant capacity to recovering ego-motion from warped observations, at the cost of scene modeling fidelity and imagination accuracy. This work proposes DynaDreamer, a dynamics-augmented Dreamer-style reinforcement learning method to address this problem by augmenting the WM with an explicit ego-dynamics prior. A physics-informed ego-dynamics encoder-decoder extracts the ego-state history into a compact and identifiable context, which modulates a causal Transformer WM to condition both its prior and posterior latents. During imagination, the ego-dynamics predictor propagates this context forward to keep the ego-dynamics prior synchronized with the rollout. An information-theoretic analysis shows that conditioning on this context reduces both the predictive entropy of the observation transition and the prior--posterior Kullback--Leibler divergence, confining the WM's modeling burden to the scene dynamics beyond ego-motion. An additional benefit is zero-shot cross-chassis adaptation: the ego-dynamics context depends on identifiable chassis parameters, so that a vehicle with previously unseen dynamic characteristics can adapt the WM to the new chassis without retraining. Experiments demonstrate that DynaDreamer improves task success rates over the strongest baseline by 28% and 61% in urban and highway driving scenarios, respectively, with the advantage rising to 73% when extrapolating to unseen chassis.
• Abstract（参考訳）: 世界モデル(WM)に基づく強化学習は、潜時空間における長い水平軌道を想像することにより、サンプル効率のよいエンドツーエンドの自動運転学習を可能にする。 しかしながら、ほとんどの運転するWMは本質的に自我中心の鳥眼ビュー(BEV)表現で動作し、連続するフレーム間の遷移は、シーンダイナミクスでエゴ車両自身の動きを絡み合わせる。 その結果、WMは、シーンモデリングの忠実さと想像力の精度を犠牲にして、歪んだ観測からエゴモーションを回復する能力に多大な力を注いだ。 本研究はDynaDreamerを提案する。DynaDreamerは動的に強化されたDreamerスタイルの強化学習手法で、WMを明示的なエゴ力学で拡張することでこの問題に対処する。 物理インフォームドエゴ力学エンコーダは、エゴ状態履歴をコンパクトで識別可能なコンテキストに抽出し、因果トランスフォーマーWMを前と後の両方の潜時条件に変調する。 エゴ力学予測器は、イマジネーションの間、エゴ力学をロールアウトと同期させるために、この文脈を前方に伝播する。 情報理論解析により、この文脈での条件付けは、観測遷移の予測エントロピーと、後続のクルバック-リーブラー分岐の両方を減少させ、WMのモデリング負荷をエゴモーション以外のシーンダイナミクスに充足させることを示した。 Ego-dynamicsコンテキストは識別可能なシャーシパラメータに依存するため、以前は見えなかった動的特性を持つ車両は、再訓練することなくWMを新しいシャーシに適応させることができる。 実験により、DynaDreamerは、都市部と高速道路の運転シナリオにおいて、最強のベースラインでタスク成功率を28%と61%改善し、未確認のシャシーを外挿すると73%に向上した。

関連論文リスト

• EgoMotion: Hierarchical Reasoning and Diffusion for Egocentric Vision-Language Motion Generation [74.07852250099559]
  Egocentric Vision-Language (Ego-VL) モーション生成について検討する。 本課題は,1対1の視覚的観察と自然言語の指示を併用した3次元人間の動作を合成することである。 この課題に対処するために,階層型生成フレームワーク textbfEgoMotion を提案する。
  論文  参考訳（メタデータ） (2026-04-21T05:31:06Z)
• FlowAD: Ego-Scene Interactive Modeling for Autonomous Driving [20.991905328262746]
  本稿では,新しいエゴシーン対話型モデリングパラダイムを提案する。 人間の認識にインスパイアされたこのパラダイムは、エゴ-車両に対するシーンフローとして、エゴ-シーンの相互作用を表現している。 その内部では、エゴ誘導シーン分割がまず基本的なフローユニットを構築してシーンフローを定量化する。 そして、フロー単位に基づいて、空間的および時間的フロー予測を行い、シーンフローのダイナミクスをモデル化する。
  論文  参考訳（メタデータ） (2026-03-11T16:28:53Z)
• Walk through Paintings: Egocentric World Models from Internet Priors [65.30611174953958]
  本稿では,エゴセントリック・ワールド・モデル(EgoWM)について述べる。 我々は、スクラッチからトレーニングするよりも、インターネット規模のビデオモデルのリッチワールドを再利用し、軽量なコンディショニング層を通じてモーターコマンドを注入する。 当社のアプローチは,3-DoF移動ロボットから25-DoFヒューマノイドまで,エボディメントやアクションスペースを自然に拡張する。
  論文  参考訳（メタデータ） (2026-01-21T18:59:32Z)
• DAP: A Discrete-token Autoregressive Planner for Autonomous Driving [34.32497598431514]
  本稿では,BEVのセマンティクスとエゴの軌跡を共同で予測する離散的な自己回帰プランナであるDAPを紹介する。 我々は、報酬誘導改善を注入しながら、教師付き行動クローンを保存できる強化学習に基づく微調整を取り入れた。 DAPは、オープンループメトリクスの最先端のパフォーマンスを達成し、NAVSIMベンチマークで競合するクローズループ結果を提供する。
  論文  参考訳（メタデータ） (2025-11-17T12:31:33Z)
• 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)
• DualAD: Disentangling the Dynamic and Static World for End-to-End Driving [11.379456277711379]
  自動運転のための最先端のアプローチは、全体運転タスクの複数のサブタスクを単一のパイプラインに統合する。 動的エージェントと静的シーン要素を分離する専用表現を提案する。 DualADというタイトルの手法は、独立に訓練されたシングルタスクネットワークよりも優れています。
  論文  参考訳（メタデータ） (2024-06-10T13:46:07Z)
• Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
  モデルに基づく強化学習手法であるIso-Dream++を提案する。 我々は、切り離された潜在的想像力に基づいて政策最適化を行う。 これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-03-27T02:55:56Z)
• Isolating and Leveraging Controllable and Noncontrollable Visual Dynamics in World Models [65.97707691164558]
  Iso-DreamはDream-to-Controlフレームワークを2つの側面で改善する。 まず、逆動力学を最適化することにより、世界モデルに制御可能で制御不能な情報源を学習させることを奨励する。 第2に、エージェントの挙動を世界モデルの切り離された潜在的想像力に最適化する。
  論文  参考訳（メタデータ） (2022-05-27T08:07:39Z)

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。