論文の概要: HyWorldVLA: A Vision-Language-Action Model with Hybrid World Modeling for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2607.20988v1
• Date: Thu, 23 Jul 2026 07:11:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.306823
• Title: HyWorldVLA: A Vision-Language-Action Model with Hybrid World Modeling for Autonomous Driving
• Title（参考訳）: HyWorldVLA: 自律運転のためのハイブリッド世界モデリングを用いたビジョンランゲージ・アクションモデル
• Abstract要約: 我々は,画素レベルの監視と潜在表現学習を統合するハイブリッドワールドVLAフレームワークHyWorldVLAを提案する。 事前トレーニング段階では、HyWorldVLAは、事前トレーニングされたビデオVAEによって符号化された潜伏映像を予測し、同時にビデオフレームを再構築し、正確なピクセルレベルのグラウンドを提供する。 その後のコファインチューニングフェーズでは、モデルは遅延した特徴のみを予測し、それをアクションエキスパートに入力して軌道を生成する。
• 参考スコア（独自算出の注目度）: 11.703169226106288
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Vision-Language-Action (VLA) models augmented with world modeling represent a promising paradigm for end-to-end autonomous driving. While pixel-level future prediction enables fine-grained spatiotemporal reasoning, it compromises robustness in noisy driving scenarios. Conversely, latent-based world models alleviate this sensitivity but often incur limited interpretability and representational degradation due to absent pixel-level grounding. To reconcile this trade-off, we propose HyWorldVLA, a hybrid world-VLA framework that unifies pixel-level supervision and latent representation learning. In the pre-training stage, HyWorldVLA predicts video latents encoded by a pre-trained video VAE, while simultaneously reconstructing video frames to provide precise pixel-level grounding. During the subsequent co-fine-tuning phase, the model exclusively predicts latent features, which are fed into an action expert to generate trajectories. Extensive experiments on NAVSIM v1 and v2 benchmarks demonstrate that HyWorldVLA significantly outperforms both pixel-based and latent-based world model baselines. Notably, we present the first comprehensive qualitative and quantitative analysis of world model noise robustness in autonomous driving, establishing a new benchmark for evaluating future architectures.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、エンド・ツー・エンドの自動運転において有望なパラダイムである。 画素レベルの将来の予測は、微細な時空間推論を可能にするが、ノイズの多い運転シナリオでは頑健さを損なう。 逆に、ラテントベースの世界モデルは、この感度を緩和するが、しばしばピクセルレベルの接地が欠如しているため、解釈可能性や表現上の劣化が制限される。 このトレードオフを解決するために,画素レベルの監視と潜在表現学習を統合するハイブリッドワールドVLAフレームワークHyWorldVLAを提案する。 事前トレーニング段階では、HyWorldVLAは、事前トレーニングされたビデオVAEによって符号化されたビデオ潜伏者を予測し、同時にビデオフレームを再構築し、正確なピクセルレベルのグラウンドを提供する。 その後のコファインチューニングフェーズでは、モデルは遅延した特徴のみを予測し、それをアクションエキスパートに入力して軌道を生成する。 NAVSIM v1とv2ベンチマークの大規模な実験により、HyWorldVLAはピクセルベースと潜在ベースの両方のワールドモデルベースラインを大きく上回っていることが示された。 特に,自律運転における世界モデル騒音頑健性の総合的定性的・定量的分析を行い,将来の建築評価のための新しいベンチマークを構築した。

関連論文リスト

• Sword: Style-Robust World Models as Simulators via Dynamic Latent Bootstrapping for VLA Policy Post-Training [19.013714390803052]
  あるアプローチは、学習した世界モデルを生成シミュレータとして扱い、「想像」内での政策最適化を可能にする しかしながら、LIBEROベンチマークのような特定の環境のシミュレータとしてデプロイされる場合、既存のWorld Modelは一般化が貧弱で長い水平誤差の蓄積に悩まされることが多い。 我々はこれらの問題を緩和するために、堅牢なワールドモデルフレームワークであるSwordを提案する。
  論文  参考訳（メタデータ） (2026-05-08T05:54:33Z)
• Learning Vision-Language-Action World Models for Autonomous Driving [15.103497388527943]
  VLA(Vision-Language-Action)モデルは最近、エンドツーエンドの自動運転において顕著な進歩を遂げている。 VLAモデルは時相力学と世界整合性の明示的なモデリングを欠いていることが多い。 VLA-World(VLA-World)は、予測的想像力と反射的推論を統一する、シンプルで効果的なVLA世界モデルである。
  論文  参考訳（メタデータ） (2026-04-10T07:38:05Z)
• Chain of World: World Model Thinking in Latent Motion [24.24061036481793]
  VLA(Vision-Language-Action)モデルはしばしば、視覚力学の基礎となる予測的・時間的・因果的構造を見落としている。 我々は,世界モデルの時間的推論を非絡み合いの潜在動作表現と統合する新しい「世界の連鎖」パラダイムであるCoWVLAを紹介した。 CoWVLAは、既存のワールドモデルおよび潜在アクションアプローチより優れ、適度な計算効率を達成する。
  論文  参考訳（メタデータ） (2026-03-03T17:52:06Z)
• DriveWorld-VLA: Unified Latent-Space World Modeling with Vision-Language-Action for Autonomous Driving [25.94896726674773]
  DriveWorld-VLAは、潜在空間内での世界モデリングと計画を統合する新しいフレームワークである。 機能レベルでは、コントロール可能でアクション条件付きイマジネーションをサポートする。 NAVSIMv1では91.3PDMS、NAVSIMv2では86.8S、nuScenesでは0.163秒の平均衝突速度で最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2026-02-06T09:25:48Z)
• World-VLA-Loop: Closed-Loop Learning of Video World Model and VLA Policy [55.03832008486675]
  World-VLA-Loopは、世界モデルとVision-Language-Action (VLA) ポリシーの共同改良のためのクローズドループフレームワークである。 本研究では,将来観測と報奨信号の同時予測により,高忠実度インタラクティブシミュレータとして機能する状態認識型ビデオワールドモデルを提案する。
  論文  参考訳（メタデータ） (2026-02-06T08:57:55Z)
• DrivingGen: A Comprehensive Benchmark for Generative Video World Models in Autonomous Driving [49.11389494068169]
  我々は、生成駆動世界モデルのための最初の総合的なベンチマークであるDrivingGenを提示する。 DrivingGenは、駆動データセットとインターネットスケールのビデオソースの両方から収集されたさまざまな評価データセットを組み合わせる。 一般的なモデルは良く見えるが物理を破るが、運転に特化したものは現実的に動きを捉えているが、視界の質は遅れている。
  論文  参考訳（メタデータ） (2026-01-04T13:36:21Z)
• DriveVLA-W0: World Models Amplify Data Scaling Law in Autonomous Driving [52.63591791507895]
  将来の画像の予測に世界モデリングを利用するトレーニングパラダイムである textbfDriveVLA-W0 を提案する。 このタスクは、運転環境の基礎となる力学を学ぶためにモデルを補完する密集した自己教師信号を生成する。 NAVSIM v1/v2ベンチマークと680倍の社内データセットの実験は、DriveVLA-W0がBEVとVLAのベースラインを大きく上回っていることを示している。
  論文  参考訳（メタデータ） (2025-10-14T17:59:47Z)
• 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)
• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• BEVWorld: A Multimodal World Simulator for Autonomous Driving via Scene-Level BEV Latents [56.33989853438012]
  BEVWorldは,マルチモーダルセンサ入力を統一的でコンパクトなBird's Eye View潜在空間に変換し,全体的環境モデリングを行うフレームワークである。 提案する世界モデルは,多モードトークン化器と遅延BEVシーケンス拡散モデルという2つの主要成分から構成される。
  論文  参考訳（メタデータ） (2024-07-08T07:26:08Z)

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。