Fugu-MT 論文翻訳(概要): WA-JEPA: Rethinking the Video JEPA Paradigm for World-Action Modeling in Autonomous Driving

論文の概要: WA-JEPA: Rethinking the Video JEPA Paradigm for World-Action Modeling in Autonomous Driving

arxiv url: http://arxiv.org/abs/2608.20974v1
Date: Fri, 21 Aug 2026 10:54:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-24 14:49:32.513229
Title: WA-JEPA: Rethinking the Video JEPA Paradigm for World-Action Modeling in Autonomous Driving
Title（参考訳）: WA-JEPA: 自律運転におけるワールドアクションモデリングのためのビデオJEPAパラダイムの再考
Abstract要約: 本稿では、自律運転計画のためのVEPAネイティブな世界行動モデルWA-JEPAを提案する。 WA-JEPAは、モデルが観測された文脈から将来の潜伏者を推測する、ハイブリッド・フューチャー・マスク・プレトレーニングを採用している。結果:WA-JEPAはNAVSIMで91.7Sに達し、最強のエンドツーエンドとワールドアクションベースラインを超えた。
参考スコア（独自算出の注目度）: 8.510409798128272
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Video Joint Embedding Predictive Architecture (V-JEPA) learns powerful spatiotemporal representations from video through self-supervised latent feature prediction. However, V-JEPA is built around random-mask completion and deterministic regression, making it fundamentally ill-suited for autonomous driving planning that demands future-directed prediction tightly coupled with action. To address this, we rethink the V-JEPA paradigm and present WA-JEPA, a V-JEPA-native world-action model designed for autonomous driving planning. Instead of random spatiotemporal masking, WA-JEPA employs hybrid future-masked pre-training, where the model infers future latents from observed context. Departing from deterministic regression, we recast future prediction as conditional flow matching over latent futures, which substantially improves the model's ability to generate plausible future latents for downstream planning. Finally, a joint future-action predictor is proposed to denoise future scene tokens and ego trajectories together in a unified spatiotemporal latent space, allowing action supervision to directly shape planning-relevant world representations. Pre-trained on nuPlan videos and fine-tuned on NAVSIM, WA-JEPA reaches 91.7 EPDMS on NAVSIM-v2, surpassing the strongest end-to-end and world-action baselines by 1.6 and 1.3 EPDMS, and, without HUGSIM-specific fine-tuning, attains the best HD-Score of 0.4462 on the closed-loop HUGSIM benchmark under the same evaluation protocol. These results validate V-JEPA-native world-action modeling as a powerful and scalable paradigm for autonomous driving planning. Code is available at https://github.com/AFARI-Research/WA-JEPA.
Abstract（参考訳）: ビデオ共同埋め込み予測アーキテクチャ(V-JEPA)は、自己教師付き潜在特徴予測を通じて、ビデオから強力な時空間表現を学習する。しかしながら、V-JEPAはランダムマスクの完了と決定論的回帰に基づいて構築されており、将来の方向予測と行動の密接な結合を要求する自動運転計画に基本的に不適合である。そこで我々は,V-JEPAパラダイムを再考し,自律走行計画用に設計されたV-JEPAネイティブな世界行動モデルWA-JEPAを提案する。 WA-JEPAは、ランダムな時空間マスキングの代わりに、モデルが観測された文脈から将来の潜伏者を推測する、ハイブリッド・フューチャー・マスク・プレトレーニング(英語版)を採用している。決定論的回帰から切り離して、我々は、将来の予測を、遅延した未来に対する条件付きフローマッチングとして再考し、下流計画のための妥当な未来潜在を生成できるモデルの能力を大幅に改善する。最後に、将来のシーントークンとエゴ軌道を統合された時空間潜在空間で識別し、行動監督が計画関連世界表現を直接形成できるようにするために、統合された未来のアクション予測器を提案する。 NAVSIMで事前トレーニングされ、NAVSIMで微調整されたWA-JEPAはNAVSIM-v2で91.7 EPDMSに達し、HUGSIM固有の微調整がなければ、同じ評価プロトコルで閉ループHUGSIMベンチマークで0.4462のHDスコアを達成する。これらの結果は、V-JEPAネイティブな世界行動モデリングを、自律運転計画のための強力でスケーラブルなパラダイムとして評価する。コードはhttps://github.com/AFARI-Research/WA-JEPAで入手できる。

関連論文リスト

Flow-JEPA: Flow Matching for Robust Latent Dynamics in JEPA World Models [18.035166689862205]
JEPA(Joint-Embedding Predictive Architectures)は、コンパクトな予測表現を学習する強力な可能性を示している。本研究では,現在の観測と動作を条件とした将来の潜伏状態列を共同生成する条件付き流れマッチング力学モデルであるFlow-JEPAを提案する。
論文参考訳（メタデータ） (2026-08-29T03:40:06Z)
Is Forward Prediction Enough? Physical State Grounding for JEPA World Models [18.174985055477666]
PSG-JEPAはその潜在空間を前方予測を超えて2つの補完的な接地目標で形成する。本研究では,(1)探索による潜伏識別性,(2)凍結した潜伏者に対する目標条件付き計画,(3)シミュレーションおよび実ロボットにおける政策学習の3つのレベルにおいて実験を行う。
論文参考訳（メタデータ） (2026-08-07T04:44:16Z)
Auto-JEPA: A Latent World Model of Continuous Intent for End-to-End Autonomous Driving [3.174313305594326]
我々は,共同埋め込み予測により,継続的な未来の運転意図を学習する行動指向潜在世界モデルであるAuto-JEPAを提案する。軌道表現、意図予測、候補選択のためのタスク固有のモジュールのみを最適化することにより、Auto-JEPAはNAVSIM v1では91.3 PDMS、NAVSIM v2では89.1Sを達成する。
論文参考訳（メタデータ） (2026-07-31T05:10:23Z)
AdaJEPA: An Adaptive Latent World Model [42.0759614364807]
モデル予測制御(MPC)の閉ループ内でテスト時間適応を行う適応潜在世界モデルであるAdaJEPAを提案する。トレーニング後、AdaJEPAは最初のアクションチャンクを計画し、実行し、観察された次の状態遷移を自己教師付き適応信号として使用し、更新されたモデルで再計画する。このクローズドループアップデートは、さらなる専門家によるデモンストレーションなしに、世界モデルを継続的に再検討する。
論文参考訳（メタデータ） (2026-06-30T17:53:48Z)
IDOL: Inverse-Dynamics-Guided Future Prediction for End-to-End Autonomous Driving [6.515607168928518]
IDOLは、潜在BEV空間におけるワールドモデルに基づくエンド・ツー・エンド・プランニングのための逆力学誘導型将来の予測フレームワークである。 IDOLはまず、BEVワールドモデルを用いて複数の将来の潜伏シーン状態を予測し、次に隣接する潜伏未来に逆ダイナミクスモデルを適用する。これらの逆力学に基づく信号は、計画された軌道を最適化するために使用され、受動シーン予測から将来の予測を実行可能な計画ガイダンスに変える。
論文参考訳（メタデータ） (2026-05-29T16:05:42Z)
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)
VGGT-World: Transforming VGGT into an Autoregressive Geometry World Model [59.789011777899965]
VGGT-World(VGGT-World)は、ビデオ生成を完全にサイドステップで行い、凍った幾何学的境界モデルの特徴の時間的進化を予測する幾何学世界モデルである。 VGGT-Worldは3.6～5倍高速で、トレーニング可能なパラメータはわずか0.43Bである。
論文参考訳（メタデータ） (2026-03-13T04:56:43Z)
Drive-JEPA: Video JEPA Meets Multimodal Trajectory Distillation for End-to-End Driving [26.905928731309572]
Drive-JEPAは、V-JEPA(Video Joint-Embedding Predictive Architecture)とマルチモーダル・トラジェクトリ・蒸留を統合したフレームワークである。まず、V-JEPAをエンド・ツー・エンドの運転に適用し、大規模な運転ビデオにVTエンコーダを事前学習し、軌道計画に沿った予測表現を生成する。第2に、人間の軌道に沿って様々なシミュレータ生成軌道を蒸留する提案中心プランナと、安定かつ安全な行動を促進する運動量を考慮した選択機構を導入する。
論文参考訳（メタデータ） (2026-01-29T17:39:20Z)
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)
Future-Aware End-to-End Driving: Bidirectional Modeling of Trajectory Planning and Scene Evolution [96.25314747309811]
将来的なシーンの進化と軌道計画を共同でモデル化する,新たなエンドツーエンドフレームワークであるSeerDriveを紹介する。本手法はまず,周辺環境の動態を予測するために,将来の鳥眼ビュー(BEV)の表現を予測する。 2つの重要な要素がこれを可能にする:(1)予測されたBEV機能を軌道プランナーに注入する将来対応計画、(2)反復的なシーンモデリングと車両計画。
論文参考訳（メタデータ） (2025-10-13T07:41:47Z)
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)
Driving into the Future: Multiview Visual Forecasting and Planning with World Model for Autonomous Driving [56.381918362410175]
Drive-WMは、既存のエンド・ツー・エンドの計画モデルと互換性のある世界初のドライビングワールドモデルである。ドライビングシーンで高忠実度マルチビュー映像を生成する。
論文参考訳（メタデータ） (2023-11-29T18:59:47Z)

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。