論文の概要: How Can Driving World Models Do Counterfactual Prediction?

• arxiv url: http://arxiv.org/abs/2608.11601v1
• Date: Wed, 12 Aug 2026 03:19:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.441133
• Title: How Can Driving World Models Do Counterfactual Prediction?
• Title（参考訳）: 世界模型の運転はどのようにして非現実的に予測できるのか?
• Abstract要約: ドライビングワールドモデルは、しばしば観察されたドライビングエピソードの反実的シミュレータとして解釈される。 本稿では,この目標と直接行動条件予測の基本的なミスマッチを同定する。
• 参考スコア（独自算出の注目度）: 28.38056001440194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Driving world models are often interpreted as counterfactual simulators for observed driving episodes: given a factual driving log, they are asked what would have happened under an alternative ego action. In this paper, we identify a fundamental mismatch between this goal and direct action-conditioned prediction. The direct prediction uses the shared history and the alternative action but not the factual continuation observed after that history. It can therefore generate a plausible future without preserving what actually happened in this episode. We formalize this gap using the causal recipe of abduction, action, and prediction and study it in a setting with a short time horizon, where the alternative ego action does not alter how surrounding agents evolve. To make the gap measurable, we construct a controlled simulation benchmark with factual outcomes and matched counterfactual outcomes. Across two representative world models, direct predictions fail to match the counterfactual ground truth, supporting our analysis. As a constructive check of this analysis, we introduce a deliberately simple, training-free pipeline that moves observed evidence into the counterfactual view and lets the frozen model complete what remains unknown. Even this simple construction raises the overall recovered fraction substantially and reduces perceptual distance to the matched counterfactual on both models. We hope this work draws attention to this gap and motivates better counterfactual prediction methods for driving world models.
• Abstract（参考訳）: ドライビングワールドモデルは、しばしば観察されたドライビングエピソードのカウンターファクトシミュレータとして解釈される: 実際のドライビングログが与えられた場合、彼らは代替のエゴアクションの下で何が起こったのかを尋ねられる。 本稿では,この目標と直接行動条件予測の基本的なミスマッチを同定する。 直接予測は共有履歴と代替行動を用いるが、その歴史以降に観察された事実的継続は使用しない。 したがって、このエピソードで実際に何が起こったかを保存することなく、もっともらしい未来を創り出すことができる。 我々は、誘拐、行動、予測の因果的レシピを用いてこのギャップを形式化し、短時間の地平線でそれを研究する。 このギャップを計測するために,実測結果と実測結果とが一致した制御されたシミュレーションベンチマークを構築した。 2つの代表的な世界モデルにまたがって、直接予測は、我々の分析を裏付ける反事実の真実と一致しない。 この分析を構築的に検証するために、観測された証拠を反現実的な視点に移動させ、凍結モデルが未知のものを完了させる、意図的に単純で訓練不要なパイプラインを導入する。 この単純な構成でさえ、全体の回復率を大幅に上昇させ、両方のモデルにおいて一致した反事実に対する知覚的距離を減少させる。 この研究がこのギャップに注意を向け、世界モデルを駆動するためのより良い対実予測手法を動機付けることを願っている。

関連論文リスト

• Feedback World Model Enables Precise Guidance of Diffusion Policy [36.965417653906535]
  本稿では,推定時刻における予測と観測のループを閉じる新たなパラダイムであるフィードバック・ワールド・モデルを提案する。 本手法は,分布シフト時の予測精度とポリシー性能を大幅に向上することを示す。 特に、世界モデルの予測誤差を最大76.4%削減し、アウト・オブ・ディストリビューション(OOD)の成功率を30%改善する。
  論文  参考訳（メタデータ） (2026-05-15T07:52:13Z)
• See Tomorrow, Act Today: Foresight-Driven Autonomous Driving [87.02582063534608]
  ForeSightは、予測された意思決定として自動運転を再設計する基礎的世界モデル中心の計画フレームワークである。 提案手法は,(1)事前学習された世界モデルを用いて,有望な未来世界を生成すること,(2)これらの未来を前提とした計画行動を行うこと,の2段階からなる。
  論文  参考訳（メタデータ） (2026-05-08T03:42:05Z)
• Reimagination with Test-time Observation Interventions: Distractor-Robust World Model Predictions for Visual Model Predictive Control [51.14656121641822]
  世界モデルは、現在の観測と計画された行動によって、ロボットが将来の観察を「想像」することができる。 新たな視覚的障害は、行動結果の予測を破損させ、ロボットが計画や行動検証のために世界モデルの想像力に依存するとき、下流の障害を引き起こす可能性がある。 本稿では、世界モデルによるより信頼性の高い行動結果の予測を可能にする簡易かつ効果的なテストタイム戦略であるReOI(Reimagination with Observation Intervention)を提案する。
  論文  参考訳（メタデータ） (2025-06-19T19:41:29Z)
• Learning Through Retrospection: Improving Trajectory Prediction for Automated Driving with Error Feedback [41.94295877935867]
  自動走行では、周囲の車両の軌道予測がシーンダイナミクスの推論をサポートし、エゴ車両の安全な計画を可能にする。 既存のモデルは、観測された情報に基づいて将来の軌跡を予測するための瞬間的なタスクとして予測を扱う。 提案手法は,推論中の誤差を補正し,再現する手法である。
  論文  参考訳（メタデータ） (2025-04-18T16:35:12Z)
• Limitations of Agents Simulated by Predictive Models [1.6649383443094403]
  エージェントとなると予測モデルが失敗する2つの構造的理由を概説する。 いずれの障害も環境からのフィードバックループを組み込むことで修正可能であることを示す。 我々の治療は、これらの障害モードの統一的なビューを提供し、オンライン学習でオフライン学習ポリシーを微調整することで、より効果的になる理由を疑問視する。
  論文  参考訳（メタデータ） (2024-02-08T17:08:08Z)
• DeFeeNet: Consecutive 3D Human Motion Prediction with Deviation Feedback [23.687223152464988]
  既存のワンオフ予測モデルに付加可能な,シンプルで効果的なネットワークであるDeFeeNetを提案する。 提案するネットワークは,基本モデルによらず連続的な人間の動作予測性能を向上させる。
  論文  参考訳（メタデータ） (2023-04-10T10:18:23Z)
• Robust Forecasting for Robotic Control: A Game-Theoretic Approach [12.345619675058416]
  現在の手法は、未来を正確に予測するために歴史的時系列に大きく依存している。 ロボット制御のためのロバストな予測を生成するための新しいフレームワークを提案する。 本研究では,勾配に基づく最適化手法を用いて局所的なナッシュ均衡を解くことができることを示す。
  論文  参考訳（メタデータ） (2022-09-22T06:10:35Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• Are socially-aware trajectory prediction models really socially-aware? [75.36961426916639]
  我々は,予測モデルの社会的理解を評価するために,社会的に意図された攻撃を導入する。 攻撃は、予測器を失敗させるため、小さなが慎重に構成された摂動である。 我々の攻撃は、最先端モデルの社会的理解を高めるために有効であることを示す。
  論文  参考訳（メタデータ） (2021-08-24T17:59:09Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)

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。