論文の概要: SV-WAM: An Efficient Surround-View World-Action Model for End-to-End Autonomous Driving
- arxiv url: http://arxiv.org/abs/2609.03602v1
- Date: Thu, 03 Sep 2026 09:47:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.007406
- Title: SV-WAM: An Efficient Surround-View World-Action Model for End-to-End Autonomous Driving
- Title（参考訳）: SV-WAM: エンド・ツー・エンドの自律運転のための高効率サラウンド・ビュー・ワールド・アクション・モデル
- Abstract要約: SV-WAMは、効率的な推論を維持しつつ、完全な6カメラ観測を保存できるサラウンドビュー・ワールドアクションモデル(WAM)を提案する。
このデザインの中核はアクション中心の因果マスクで、アクショントークンがジョイントアクションビデオの復調中に将来のビデオトークンに出席することを防ぐ。
クローズドループNAVSIMv2ベンチマークとオープンループnuScenesベンチマークの実験は、SV-WAMが最先端の計画性能を達成することを示す。
- 参考スコア（独自算出の注目度）: 6.9856663722260235
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: World models (WMs) have demonstrated strong potential for end-to-end autonomous driving by learning predictive representations of future scene dynamics. However, generating future videos during inference introduces substantial computational overhead, leading many recent driving WMs to adopt a single front camera as input for efficient deployment. This design restricts spatial coverage in safety-critical maneuvers such as lane changes, merges, and turns. To address this limitation, we propose SV-WAM, a surround-view world-action model (WAM) that preserves full six-camera observations while maintaining efficient inference. SV-WAM leverages future-video prediction as dense training supervision for action learning within a shared generative model, rather than as an inference-time output. At the core of this design is an action-centered causal mask that prevents action tokens from attending to future-video tokens during joint action-video denoising. Consequently, the video branch can be discarded at deployment, enabling efficient action-only planning. Furthermore, we introduce a differentiable drivable-area compliance regularizer that penalizes vehicle-footprint corners approaching or crossing drivable boundaries, improving planning safety and boundary awareness. Extensive experiments on the closed-loop NAVSIMv2 benchmark and the open-loop nuScenes benchmark demonstrate that SV-WAM achieves state-of-the-art planning performance with low inference latency and competitive zero-shot transfer capability.
- Abstract（参考訳）: 世界モデル(WM)は、将来のシーンダイナミクスの予測表現を学習することで、エンドツーエンドの自動運転に強い可能性を示している。
しかし、推論中に将来のビデオを生成することは、計算オーバーヘッドを大幅に増加させ、近年の多くの駆動WMは、効率的なデプロイメントのための入力として単一のフロントカメラを採用するようになった。
この設計は、車線変更、マージ、ターンなどの安全クリティカルな操作における空間的カバレッジを制限する。
この制限に対処するため,効率的な推論を維持しつつ,完全な6カメラ観測を維持できるサラウンドビュー・ワールドアクション・モデル(WAM)であるSV-WAMを提案する。
SV-WAMは、推論時間出力ではなく、共有生成モデル内での行動学習のための密集した訓練監督として、将来の映像予測を利用する。
このデザインの中核はアクション中心の因果マスクで、アクショントークンがジョイントアクションビデオの復調中に将来のビデオトークンに出席することを防ぐ。
これにより、ビデオブランチはデプロイ時に破棄され、効率的なアクションのみの計画が可能になる。
さらに、乾燥可能な境界線に接近または交差する車両のフットプリントコーナーをペナルティ化し、計画の安全性と境界認識を改善した、微分可能なドライバブル・エリアコンプライアンス・レギュレータを導入する。
閉ループNAVSIMv2ベンチマークとオープンループnuScenesベンチマークの広範な実験により、SV-WAMは、推論遅延が低く、ゼロショット転送能力の競争力のある最先端の計画性能を達成することを示した。
関連論文リスト
- SimWAM: A Simple World Action Model for End-to-End Autonomous Driving [66.93548079427477]
我々は、将来の映像予測を訓練時間監視信号として活用する、シンプルで効果的なWAMであるSimWAMを提案する。
孤立した注意マスクは、将来のフレームとは独立して行動予測を保持し、推論時に明示的な将来のフレーム生成なしに軌道予測を可能にする。
我々のSimWAMは、NAVSIM上の91.5 PDMSを達成し、最先端のWAMベースのプランナをはるかに低レイテンシで超越し、ゼロショットをnuScenesに転送する。
論文 参考訳（メタデータ） (2026-08-07T17:59:09Z) - UNIVERSE: Unified Video Action Models for Autonomous Driving with Flexible Mask-Modulated Modality Generation [23.675212404889805]
世界行動モデル(WAM)は、自律運転における行動一般化を改善する強力な可能性を示している。
既存のカスケードまたはデュアルDiTは、アクション予測からビデオイマジネーションを分離する。
マスク変調トランス上に構築された統合ビデオアクションモデルであるUNIVERSEを提案する。
論文 参考訳（メタデータ） (2026-07-06T14:18:18Z) - Metis: A Generalizable and Efficient World-Action Model for Autonomous Driving and Urban Navigation [80.18527639791074]
世界アクションモデルは、自動運転と都市ナビゲーションに非常に有望だ。
既存のアプローチには、重要な制限がある。
我々は,映像生成とアクション予測を分離するエンドツーエンドのWAMフレームワークであるMetisを提案する。
論文 参考訳（メタデータ） (2026-06-14T15:40:49Z) - DriveWAM: Video Generative Priors Enable Scalable World-Action Modeling for Autonomous Driving [19.231942908215174]
本稿では、事前学習したビデオ拡散変換器を自己回帰型ビデオアクションポリシーに適応させる駆動ワールドアクションモデルDriveWAMを提案する。
DriveWAMは、ビデオストリームとアクションストリームを統合された時間トークンシーケンスに編成し、それらをジョイントフローマッチングの目的の下でトレーニングする。
NAVSIMとPhysicalAI-Autonomous-Vehiclesベンチマークの実験は、DriveWAMが強力な計画性能を発揮することを示している。
論文 参考訳（メタデータ） (2026-05-27T14:36:26Z) - LVDrive: Latent Visual Representation Enhanced Vision-Language-Action Autonomous Driving Model [16.87741001074065]
VLA(Vision-Language-Action)モデルは、エンドツーエンドの自動運転のための有望なフレームワークとして登場した。
近年、世界モデリングによる濃密な視覚監視を取り入れようとする試みは、しばしばピクセルレベルの画像再構成を過度に強調している。
自律運転のための遅延視覚表現拡張VLAフレームワークであるLVDriveを提案する。
論文 参考訳（メタデータ） (2026-05-21T07:31:49Z) - 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) - DriveVA: Video Action Models are Zero-Shot Drivers [23.675212404889805]
現実のシナリオは目に見えない条件下での堅牢なパフォーマンスを必要とするため、一般化は自動運転における中心的な課題である。
近年のワールドモデルに基づく計画手法は、シーン理解とマルチモーダルな将来予測において強力な能力を示している。
本稿では,新しい自律運転世界モデルであるDriveVAを提案する。
論文 参考訳（メタデータ） (2026-04-05T17:43:16Z) - Chain of World: World Model Thinking in Latent Motion [24.24061036481793]
VLA(Vision-Language-Action)モデルはしばしば、視覚力学の基礎となる予測的・時間的・因果的構造を見落としている。
我々は,世界モデルの時間的推論を非絡み合いの潜在動作表現と統合する新しい「世界の連鎖」パラダイムであるCoWVLAを紹介した。
CoWVLAは、既存のワールドモデルおよび潜在アクションアプローチより優れ、適度な計算効率を達成する。
論文 参考訳（メタデータ） (2026-03-03T17:52:06Z) - ImagiDrive: A Unified Imagination-and-Planning Framework for Autonomous Driving [64.12414815634847]
ビジョン・ランゲージ・モデル(VLM)とドライビング・ワールド・モデル(DWM)は、この課題のさまざまな側面に対処する強力なレシピとして独立して登場した。
我々は、VLMベースの運転エージェントとDWMベースのシーン想像装置を統合した、新しいエンドツーエンドの自動運転フレームワークであるImagiDriveを提案する。
論文 参考訳（メタデータ） (2025-08-15T12:06:55Z) - ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。
我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。
次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
論文 参考訳（メタデータ） (2025-06-09T03:14:04Z) - Enhancing End-to-End Autonomous Driving with Latent World Model [78.22157677787239]
本稿では,LAW(Latent World Model)を用いたエンドツーエンド運転のための自己教師型学習手法を提案する。
LAWは、現在の特徴とエゴ軌道に基づいて将来のシーン機能を予測する。
この自己監督タスクは、知覚のない、知覚に基づくフレームワークにシームレスに統合することができる。
論文 参考訳（メタデータ） (2024-06-12T17:59:21Z) - 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。