論文の概要: RISE: Adaptive Imagination for World Action Models

• arxiv url: http://arxiv.org/abs/2608.20430v1
• Date: Thu, 20 Aug 2026 01:50:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.050626
• Title: RISE: Adaptive Imagination for World Action Models
• Title（参考訳）: RISE:世界アクションモデルのための適応的イマジネーション
• Abstract要約: システムレベルの適応的想像力フレームワークであるRISE(textbfRefining textbfImagination through textbfSElective Rollout)を提案する。 textscRoll/textscStopは、継続するロールアウトの計画上の利点に従って、シーケンシャルな決定を行う。 NAVSIMとnuScenesの実験では、RISEは不要なロールアウトを低減しつつ、全体的な計画性能を最高のものにしている。
• 参考スコア（独自算出の注目度）: 32.44904546393525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World Action Models (WAMs) improve planning by incorporating future world evolution into action generation, yet existing methods allocate a fixed imagination budget to every scene. We propose RISE (\textbf{R}efining \textbf{I}magination through \textbf{SE}lective Rollout), a system-level adaptive imagination framework that makes sequential \textsc{Roll}/\textsc{Stop} decisions according to the expected planning benefit of continued rollout. At each step, a Latent Evaluator estimates the risk revealed by the current prefix and how much planning could improve if imagination continues, while a Rollout Gate weighs this expected benefit against additional computation cost. Since factual driving logs expose only one realized future, we further construct \textbf{CounterDrive}, a counterfactual dataset with diverse outcomes and risk levels, to enrich future dynamics and provide localized risk supervision. Each retained sample undergoes expert verification and annotation of trajectory validity, incident onset, and causal category, providing a reusable resource for safety-critical world-modeling research. Experiments on NAVSIM and nuScenes show that RISE achieves the best overall planning performance while reducing unnecessary rollout, with additional transfer results supporting its plug-in generality across WAM architectures.
• Abstract（参考訳）: 世界行動モデル(WAM)は、将来の世界進化をアクション生成に組み込むことで計画を改善するが、既存の手法ではすべてのシーンに固定された想像力の予算を割り当てている。 本稿では、継続ロールアウトの計画的メリットに応じて、逐次的な \textsc{Roll}/\textsc{Stop} 決定を行うシステムレベルの適応的想像力フレームワークであるRISE(\textbf{R}efining \textbf{I}magination through \textbf{SE}lective Rollout)を提案する。 各ステップにおいて、遅延評価器は、現在のプレフィックスによって明らかにされるリスクと、想像力が継続すればどれだけの計画が改善できるかを推定する。 現実の運転ログは1つの実現した未来しか公開しないため、様々な結果とリスクレベルを持つ反ファクトデータセットである「textbf{CounterDrive}」を構築し、将来のダイナミクスを充実させ、局所的なリスク管理を提供する。 保持された各サンプルは、軌跡の妥当性、事故発生、因果カテゴリーに関する専門家による検証とアノテーションを受け、安全クリティカルな世界モデリング研究のための再利用可能なリソースを提供する。 NAVSIMとnuScenesの実験では、RISEは不要なロールアウトを低減しつつ、最高の全体的な計画性能を達成し、WAMアーキテクチャ全体にわたってプラグインの汎用性をサポートする追加の転送結果が示されている。

関連論文リスト

• RiskWorld: Object-Centric Latent World Modeling for Autonomous Driving Risk Identification [30.32162964871242]
  RiskWorldはオブジェクト中心の潜在世界モデルであり、エゴ車に対する各候補の想像上の進化からリスクを特定する。 ロールアウトをオブジェクトレベルのリスクスコアにデコードし、将来の予測と時間リスク予測を補助的にサポートする。 リスクベンチでは、リスクワールドが63.0%、フェイルアラームレートが2.1%である。
  論文  参考訳（メタデータ） (2026-08-12T02:52:04Z)
• World Models as Adversaries: Multi-Agent Self-Play Fine-Tuning for Robust Motion Planning [60.88859946006306]
  Adversa World Modeling(英語版)は理論上基礎を成すマルチエージェント・セルフプレイ・ファインチューニングフレームワークである。 内的最小化においては、プランナーの予測世界モデルは、スパースでシーン適応的なアタック・アタック・アライアンスを学ぶロール条件の敵に変換される。 nuPlan と InterPlan のベンチマーク実験により,本手法が伝達可能な対角相互作用を生成することを示す。
  論文  参考訳（メタデータ） (2026-07-12T07:44:16Z)
• Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
  エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。 既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。 エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T13:38:18Z)
• Uni-World VLA: Interleaved World Modeling and Planning for Autonomous Driving [52.04950569530877]
  我々は、将来のフレーム予測と軌道計画の密接なインターリーブを行う統合視覚言語行動モデルUni-World VLAを提案する。 提案手法は,高忠実度将来のフレーム予測を行いながら,競合する閉ループ計画性能を実現する。
  論文  参考訳（メタデータ） (2026-03-28T14:39:51Z)
• RISE: Self-Improving Robot Policy with Compositional World Model [52.227523057681786]
  我々は、想像力によるロボット強化学習のスケーラブルなフレームワークRISEを紹介する。 中心となるのは構成的世界モデルであり、制御可能なダイナミクスモデルを通じて多視点の未来を予測し、(ii)進捗値モデルを用いて想像結果を評価する。 これらのコンポーネントはクローズドループの自己改善パイプラインに統合され、虚構のロールアウトを継続的に生成し、利点を推定し、コストのかかる物理的相互作用なしに虚構空間のポリシーを更新する。
  論文  参考訳（メタデータ） (2026-02-11T17:43:36Z)
• Imagine-then-Plan: Agent Learning from Adaptive Lookahead with World Models [13.90532093512575]
  エージェント学習のための統合フレームワークであるImagine-then-Plan(textttITP)を提案する。 最終目標とタスクの進捗をトレードオフすることで、適応的な新しいルックアヘッド機構を導入する。 実験の結果, TexttITP は競争ベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-01-13T19:49:58Z)
• 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)
• Deep Active Inference Agents for Delayed and Long-Horizon Environments [1.693200946453174]
  AIFエージェントは、遅れた環境で悪化する制限である正確な即時予測と徹底的な計画に依存している。 本稿では,複数段階の遅延遷移を特徴とする生成型政治アーキテクチャを提案する。 我々は,遅延と長期化の設定で現実的な産業シナリオを模倣した環境におけるエージェントの評価を行った。
  論文  参考訳（メタデータ） (2025-05-26T11:50:22Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)

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。