論文の概要: BehaviorWorldGen: Closing the Loop between Action Models and World Simulators via Controllable Behavior-Aware Structured World Generation

• arxiv url: http://arxiv.org/abs/2608.22187v1
• Date: Sun, 23 Aug 2026 02:53:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.646708
• Title: BehaviorWorldGen: Closing the Loop between Action Models and World Simulators via Controllable Behavior-Aware Structured World Generation
• Title（参考訳）: 行動WorldGen: 制御可能な行動認識型世界生成による行動モデルと世界シミュレータのループのクローズ
• Abstract要約: 本稿では,アクションモデルと世界シミュレータのループを閉じるフレームワークであるBehaviorWorldGenを紹介する。 コアコンポーネントは、メタアクション条件付きトラフィックフローモデルであるBehavimentFlowである。 結果として生じるロールアウトは、ワールドシミュレーターによって現実的なマルチビュー観測にレンダリングされる。
• 参考スコア（独自算出の注目度）: 22.803470671269867
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modern driving action models are increasingly improved in a self-improvement loop, where a learned world simulator imagines future observations and the resulting data is fed back to refine the action model. However, the bottleneck of this loop lies in the simulators' inability to generate behaviorally plausible responses by surrounding agents, making generated data both unrealistic in interaction and imbalanced in distribution. We introduce BehaviorWorldGen, a framework that closes the loop between action models and world simulators through controllable behavior-aware structured world generation. Its core component is BehaviorFlow, a meta-action-conditioned traffic-flow model that injects interpretable behavior controls and jointly generates multi-agent rollouts. BehaviorFlow realizes the specified agent behaviors while allowing surrounding vehicles to respond to the ego and to one another. The resulting rollouts are rendered by a world simulator into realistic multi-view observations, which are paired with corrected interaction-aware trajectories for action-model refinement. Since BehaviorWorldGen uses structured trajectories as the interface between its modules, it is compatible with diverse action models and world simulators. Experiments on world generation, scene extrapolation, and policy refinement demonstrate consistent improvements, with the largest benefits concentrated on difficult interactive scenarios.
• Abstract（参考訳）: 現代の運転行動モデルは、学習した世界シミュレーターが将来の観察を想像し、結果のデータをフィードバックしてアクションモデルを洗練する自己改善ループにおいて、ますます改善されている。 しかし、このループのボトルネックは、シミュレーターが周囲のエージェントによって行動学的に妥当な応答を生成できないことにある。 本稿では,アクションモデルと世界シミュレータ間のループを,制御可能な行動認識型構造化ワールドジェネレーションによって閉じるフレームワークであるBehavimentWorldGenを紹介する。 コアコンポーネントは、メタアクション条件付きトラフィックフローモデルであるBehavimentFlowで、解釈可能な動作制御を注入し、マルチエージェントロールアウトを共同生成する。 BehaviorFlowは、周囲の車両がエゴと互いに反応することを許可しながら、指定されたエージェントの動作を実現する。 結果として得られたロールアウトは、ワールドシミュレーターによってリアルな多視点観察に変換され、アクションモデル改善のための修正された相互作用対応軌跡と組み合わせられる。 BehaviorWorldGenはモジュール間のインターフェイスとして構造化トラジェクトリを使用するため、多様なアクションモデルやワールドシミュレータと互換性がある。 ワールドジェネレーション、シーン外挿、ポリシー改善の実験は、一貫した改善を示し、最も大きな利点は、難しい対話的なシナリオに集中している。

関連論文リスト

• SyncWorld: Visual Calibration Enables World Models as Zero-Shot Simulators [61.95179776027961]
  SyncWorldはアクション条件付き世界モデルで、追加のトレーニングなしで、目に見えない環境を横断するゼロショットシミュレータとして機能する。 視覚的校正コンテキストを用いたトレーニングは、視覚的証拠を通して行動を理解するモデルを教える。 実験の結果、SyncWorldは以前見つからなかった設定でアクションの結果を正確にシミュレートできることがわかった。
  論文  参考訳（メタデータ） (2026-09-08T17:59:47Z)
• Do Robotic World Models Really Follow Actions? Diagnosing and Aligning Action-Conditioned Generation for Policy Learning [53.77164209208635]
  本稿では,視覚的整合性と軌跡アライメントを用いて,より広い行動分布を探索するWorldEchoを紹介する。 本稿では,3つの軸に沿った行動(分布カバレッジ,表現的接地,介入効果のアライメント)を強化するWorldSyncを提案する。 RoboTwinベンチマークと実ロボットタスクの実験は、WorldSyncがWorldEchoメトリクスを改善し、反復的なポリシー改善のためのより信頼性の高いシミュレータとして機能していることを示している。
  論文  参考訳（メタデータ） (2026-08-25T17:59:49Z)
• Predicting Consequences and Reinforcing Navigation Policies with Latent World Models [31.865100130203317]
  ロボットナビゲーションのためのLWM(Latent World Model)を提案する。 我々の重要な洞察は、空間的近接は潜在的特徴の類似性と相関し、潜在的空間において行動結果を直接評価できるということである。 提案手法は,予測精度,ポリシー学習,実世界のナビゲーション性能において,前世界モデルと模倣学習法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-08-23T11:58:42Z)
• WorldSimProbe: Diagnosing Simulator Faithfulness in Action-Conditioned World Models for Embodied Manipulation [85.15806404962193]
  行動条件付き世界モデル(ACWM)は、計画、ポリシー評価、データ生成のためのスケーラブルな予測シミュレータを具現化したAIを提供することを約束する。 物理シミュレータが期待する観測能力を用いてACWMを評価する。 WorldSimProbeは、制御のバリエーション、相互作用のグラウンディングにおける構造化された障害、ダイナミックスにまたがる、システマティックなアクション実現の劣化を明らかにする。
  論文  参考訳（メタデータ） (2026-08-10T08:48:06Z)
• Worldscape-MoE: A Unified Mixture-of-Experts World Model for Scalable Heterogeneous Action Control [31.020641426071293]
  我々は、スケーラブルな異種アクション制御のためのMixture-of-Experts世界モデルであるWorldscape-MoEを紹介する。 私たちのキーとなる観察は、異なるコントロールが、同じ基礎となる世界に対して異なるインターフェースを指定していることです。 Worldscape-MoEは、この観察をモダリティ対応制御インジェクション、共有および制御固有の専門家、およびプログレッシブなMoEチューニング戦略を通じて運用する。
  論文  参考訳（メタデータ） (2026-07-04T17:45:38Z)
• ABot-M0.5: Unified Mobility-and-Manipulation World Action Model [27.262271208923995]
  ABot-M0.5は、モバイル操作には時間的粒度、アクションスペース、列車-テスト整合性の3段階のアライメントが必要であるという洞察に基づいて構築されている。 モバイルおよびきめ細かい操作ベンチマークの実験により、ABot-M0.5は、長距離タスクの成功ときめ細かい制御精度の両方において最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2026-07-01T09:21:20Z)
• CausalDrive: Real-time Causal World Models for Autonomous Driving [60.66609721457312]
  制御可能でリアルタイムなファンデーション駆動の世界であるCausalDriveを紹介します。 CaulDriveは、最初のフロントビューフレーム、エゴ車両の軌道、マクロテキストプロンプトのみで動作する。 本稿では,(1)衝突アーティファクトを著しく緩和した生成的クローズループ評価,(2)ビデオ2Rewardモジュールによる大規模強化学習(RL)後トレーニング,(3)リアルタイムの人間-イン-ザ・ループシミュレーション,の3つのダウンストリームアプリケーションにおける汎用性を実証する。
  論文  参考訳（メタデータ） (2026-06-13T15:04:44Z)
• AGWM: Affordance-Grounded World Models for Environments with Compositional Prerequisites [18.635313325437664]
  我々は,行動の動的実行可能性を明確に追跡するために,前提条件依存のDAGとして表される抽象的な空き構造を学習するAGWM(Affordance-Grounded World Model)を提案する。 ゲームベースのシミュレーション環境の実験では、より低いマルチステップ予測誤差、新しい構成へのより良い一般化、解釈可能性の向上により、本手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-05-07T18:46:44Z)
• Flow Matching-Based Autonomous Driving Planning with Advanced Interactive Behavior Modeling [26.71028572181775]
  複雑なシナリオにおけるインタラクティブな運転行動のモデリングは、自動運転計画の根本的な課題である。 データモデリング、モデルアーキテクチャ、学習スキームの協調的な革新を通じて、これらの問題に対処するフロープランナを提案する。 Flow Plannerは、複雑な運転シナリオにおけるインタラクティブな振る舞いを効果的にモデル化しながら、学習ベースのアプローチ間で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-10-13T07:25:13Z)
• LANGTRAJ: Diffusion Model and Dataset for Language-Conditioned Trajectory Simulation [102.1527101235251]
  LangTrajは、トラフィックシナリオにおけるすべてのエージェントの共同動作をシミュレートする、言語条件のシーン拡散モデルである。 自然言語入力を条件付けすることで、LangTrajはインタラクティブな振る舞いを柔軟かつ直感的に制御できる。 LangTraj氏は、リアリズム、言語制御性、言語条件の安全クリティカルなシミュレーションにおいて、強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-04-15T17:14:06Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)

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。