論文の概要: Toward the Cognitive--Physical Limits of Embodied Intelligence through a World-Model-Centric Autonomous Racing Agent
- arxiv url: http://arxiv.org/abs/2608.10618v1
- Date: Tue, 11 Aug 2026 08:01:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.95452
- Title: Toward the Cognitive--Physical Limits of Embodied Intelligence through a World-Model-Centric Autonomous Racing Agent
- Title（参考訳）: World-Model-Centric Autonomous Racing Agentによる身体知能の認知-物理限界に向けて
- Abstract要約: 我々は、世界モデル中心の自律レースエージェントが、結合された限界を探索するための具体的なステップを提供することを示した。
このフレームワークは、ほとんど限界に近い成功と失敗から予測的世界モデルを学び、相互作用の進化、エゴダイナミクス、実現可能なモーション境界を捉えます。
フルスケールのシミュレートレースでは、よく訓練されたワールドモデル中心のエージェントが88.3%の相互作用の成功率を達成する。
- 参考スコア（独自算出の注目度）: 41.433447721854144
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Embodied artificial intelligence aims to develop agents that perceive, reason, and act through continuous interaction with the physical world. However, most embodied systems are still evaluated within conservative safety margins or moderate interaction regimes, leaving their capability boundaries under extreme conditions insufficiently understood. Autonomous racing provides a stringent testbed by combining high-frequency localization and perception, adversarial interaction, near-saturated vehicle dynamics, and strict safety constraints. Existing systems push high-speed performance but rarely model and refine cognitive and physical limits jointly. Here we show that a world-model-centric autonomous racing agent provides a concrete step toward exploring these coupled limits. The framework learns predictive world models from near-limit successes and failures to capture interaction evolution, ego dynamics, and feasible-motion boundaries, coupling world-state construction, future-aware reasoning, and near-limit control in a closed-loop refinement process. Training data were collected from real-vehicle autonomous racing, where the onboard system maintained robust localization and perception at speeds up to 256.3 km/h and peak lateral acceleration of 26.8 m/s$^2$. In full-scale simulated racing, the well trained world-model-centric agent achieves an 88.3% interaction success rate across various challenging simulated racing scenarios. Closed-loop refinement of the world model and policy further improved utilization of cognitive-physical limits, recovery from failure modes, and generalization across varying conditions and unseen circuits. These results suggest a boundary-aware methodology in which world models help embodied agents represent, predict, and continually refine their capability boundaries for safer real-world deployment.
- Abstract（参考訳）: 身体的人工知能は、物理的世界との継続的な相互作用を通じて知覚し、理性を持ち、行動するエージェントを開発することを目的としている。
しかし、ほとんどの実施システムは依然として保守的な安全マージンや穏健な相互作用体制の中で評価されており、限界条件下での能力境界は十分に理解されていない。
自律レースは、高周波のローカライゼーションと知覚、敵対的相互作用、ほぼ飽和した車両力学、厳密な安全制約を組み合わせることで、厳密なテストベッドを提供する。
既存のシステムは高速性能を推し進めるが、認知と身体の限界をモデル化し、洗練されたものにすることは滅多にない。
ここでは、世界モデル中心の自律レースエージェントが、これらの結合された限界を探索するための具体的なステップを提供することを示す。
このフレームワークは、相互作用の進化、エゴダイナミクス、実現可能な運動境界、結合した世界状態構築、未来認識推論、および閉ループ精製プロセスにおける近限界制御を捉えるために、ほぼ限界に近い成功と失敗から予測的世界モデルを学ぶ。
トレーニングデータは、車載システムが256.3km/hまでの速度でロバストなローカライゼーションと知覚を維持し、ピーク横加速度は26.8m/s$^2$である実車レースから収集された。
フルスケールのシミュレートされたレースでは、よく訓練されたワールドモデル中心のエージェントが、様々な挑戦的なシミュレートされたレースシナリオ間で88.3%のインタラクションの成功率を達成する。
世界モデルのクローズドループ改良と政策により、認知物理学的限界の利用、障害モードからの回復、様々な条件や目に見えない回路の一般化がさらに改善された。
これらの結果は、世界モデルがエージェントを具体化し、予測し、より安全な実世界展開のためにその能力境界を継続的に洗練する境界対応手法を示唆している。
関連論文リスト
- Long-Horizon Consistent and Interaction-Aware World Models for Multi-Style End-to-End Driving [10.506773245217945]
StyleDriveは、長期の一貫性を共同で強化し、対話的なトラフィック状態を明示的に切り離し、マルチスタイルのポリシー最適化をサポートする、ワールドモデルベースの学習フレームワークである。
我々は,Bench2Driveクローズドループ駆動ベンチマーク上でStyleDriveを評価し,前回のベストワールドモデルベース手法よりも88.44(+17.08)の駆動スコアを達成した。
論文 参考訳（メタデータ） (2026-09-03T00:00:39Z) - World Engine: Towards the Era of Post-Training for Autonomous Driving [63.61277741443647]
実世界のログから高忠実度インタラクティブ環境を再構築する生成フレームワークであるWorld Engineを紹介する。
World Engineは、稀な安全クリティカルなシナリオにおける障害を大幅に削減し、事前トレーニングデータのみをスケールするよりもはるかに大きな利益をもたらす。
プロダクションスケールの自動運転システムにデプロイすると、結果として、シミュレートされた衝突を減らすことができる。
論文 参考訳（メタデータ） (2026-06-18T06:28:33Z) - MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。
本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。
MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
論文 参考訳（メタデータ） (2026-05-13T23:35:14Z) - Heterogeneous Self-Play for Realistic Highway Traffic Simulation [42.67401323169807]
PHASE, Policy for Heterogeneous Agent Self-play on Expresswayは、コンテキスト対応のセルフプレイフレームワークである。
例えば、旅客車やトレーラートラックなどの異なる車両のプロフィールを単一のポリシーでサポートしている。
96.3%の成功率でADE/FDEを6.57/12.07mから2.44/5.25mに下げる。
論文 参考訳（メタデータ） (2026-03-31T19:39:29Z) - HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。
我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。
ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
論文 参考訳（メタデータ） (2026-02-12T09:34:35Z) - Hybrid Motion Planning with Deep Reinforcement Learning for Mobile Robot Navigation [0.0]
深部強化学習(HMP-DRL)によるハイブリッド運動計画
状態空間と報酬関数の両方に符号化されたチェックポイントのシーケンスを通じて、局所DRLポリシーに統合されたパスを生成するグラフベースのグローバルプランナを提案する。
社会的コンプライアンスを確保するため、地域プランナーは、周辺エージェントのセマンティックタイプに基づいて、安全マージンと罰則を動的に調整するエンティティ対応報酬構造を採用する。
論文 参考訳（メタデータ） (2025-12-31T05:58:57Z) - Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。
OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。
当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
論文 参考訳（メタデータ） (2025-12-08T15:56:18Z) - 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) - 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。