論文の概要: MM-Future: Multi-Mode Joint World-Action Modeling for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2609.20377v1
• Date: Thu, 17 Sep 2026 13:31:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.29019
• Title: MM-Future: Multi-Mode Joint World-Action Modeling for Autonomous Driving
• Title（参考訳）: MM-Future:自律運転のための多モード共同ワールドアクションモデリング
• Abstract要約: 我々は,ペア化されたシーンアクション仮説を生成する世界行動モデルMM-Futureを導入し,各ペア内の双方向相互作用をモデル化する。 効率的なマルチモードロールアウトをサポートするため、MM-FutureはマルチビュービデオをMM-Tokensと呼ばれる計画指向の表現に圧縮する。 NAVSIMナヴテストでは、MM-Futureは94.0PDMSと91.5Sを達成し、ゼロショット閉ループ評価では32.3HDScoreを達成した。
• 参考スコア（独自算出の注目度）: 11.153556237094023
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autonomous driving involves coupled decision-making and scene evolution under multi-mode uncertainty. To capture this coupling and uncertainty, we introduce MM-Future, a world-action model that generates multiple paired scene-action hypotheses and models bidirectional interaction within each pair. Each hypothesis is initialized from a structured action prior and an independent future scene source, which are then co-evolved through a modality-aware diffusion Transformer. To support efficient multi-mode rollout, MM-Future compresses multi-view video into planning-oriented representations, dubbed MM-Tokens. Finally, a future-conditioned proposal scorer ranks trajectory candidates by shared history context and their paired predicted future. On NAVSIM navtest, MM-Future achieves 94.0 PDMS and 91.5 EPDMS, while attaining a 32.3 HD-Score in zero-shot closed-loop evaluation on HUGSIM. Ablations show consistent improvements over both single-mode and action-only variants, validating the benefit of multi-mode joint world-action modeling.
• Abstract（参考訳）: 自律運転は、複数モードの不確実性の下での意思決定とシーンの進化を組み合わせたものである。 この結合と不確実性を捉えるために,複数対のシーンアクション仮説を生成する世界行動モデルMM-Futureを導入し,各ペア内の双方向相互作用をモデル化する。 各仮説は、あらかじめ構造化されたアクションと独立な将来のシーンソースから初期化され、その後、モダリティ対応拡散変換器を通じて共進化する。 効率的なマルチモードロールアウトをサポートするため、MM-FutureはマルチビュービデオをMM-Tokensと呼ばれる計画指向の表現に圧縮する。 最後に、将来条件付き提案スコアラは、共有履歴コンテキストと、そのペアが予測する未来によって軌道候補をランク付けする。 NAVSIMナヴテストでは、MM-Futureは94.0 PDMSと91.5 EPDMSを達成し、HUGSIMのゼロショットクローズループ評価では32.3 HD-Scoreを達成した。 アブレーションは、シングルモードとアクションのみのバリエーションの両方に対して一貫した改善を示し、マルチモードのジョイントワールドアクションモデリングの利点を検証している。

関連論文リスト

• World Action Models: A Survey [100.95337034529263]
  ワールドアクションモデル(World Action Models, WAM)は、将来を予測できる予測モデルである。 近年のWAMは大規模なビデオ生成モデルを再利用しており、並列線はビデオ生成コアを持たない言語や視覚言語によるバックボーンに依存している。 この調査は、フィールドに共通の説明を与えます。まず、これらの境界を明確にし、2つの補完的な視点で既存の作業を整理します。
  論文  参考訳（メタデータ） (2026-06-18T17:05:19Z)
• Where Will They Go? Modelling Multimodal Pedestrian Manoeuvres from Ego-centric Videos [27.591588122564648]
  本稿では,将来の軌道分布を意味論的に意味のあるモードにモデル化するモード認識フレームワークMMPMを提案する。 MMPMは2つのモジュールからなる: 行動認識歩行者相互作用モジュール(PIM)とCVAEベースのモード認識軌道予測器(MTP)。 PIEおよびJAADデータセットの実験により、我々の手法が最先端のベースラインを超えることが示された。
  論文  参考訳（メタデータ） (2026-06-17T08:55:01Z)
• HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models [58.191567345416836]
  世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。 HarmoWAMは、予測と反応の制御を統一するために世界モデルを完全に活用し、一般的なトランジットと正確な操作を可能にする。 実世界の6つのロボットタスクにまたがる3つのトレーニング未確認テスト環境を構築し、背景、位置、オブジェクトの意味のバリエーションをカバーした。
  論文  参考訳（メタデータ） (2026-05-11T17:59:56Z)
• 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)
• DiffusionDriveV2: Reinforcement Learning-Constrained Truncated Diffusion Modeling in End-to-End Autonomous Driving [65.7087560656003]
  エンドツーエンドの自動運転のための生成拡散モデルは、しばしばモード崩壊に悩まされる。 強化学習を利用して低品質モードを制約し,優れた軌道探索を行うDiffusionDriveV2を提案する。 これにより、そのコアであるガウス混合モデル固有の多重モード性を維持しながら、全体的な出力品質が大幅に向上する。
  論文  参考訳（メタデータ） (2025-12-08T17:29:52Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• MotionLM: Multi-Agent Motion Forecasting as Language Modeling [15.317827804763699]
  マルチエージェント動作予測のための言語モデルであるMotionLMを提案する。 本手法は,対話的なスコアリングに先立って個々のエージェントの軌道生成を行う,ポストホック相互作用をバイパスする。 モデルの逐次分解は、時間的因果条件のロールアウトを可能にする。
  論文  参考訳（メタデータ） (2023-09-28T15:46:25Z)
• Stochastic Multi-Person 3D Motion Forecasting [21.915057426589744]
  我々は、人間の動き予測に先立つ作業において、無視された現実世界の複雑さに対処する。 私たちのフレームワークは一般的なもので、異なる生成モデルでインスタンス化します。 このアプローチは多種多人数の予測を多種多様な精度で生成し,技術水準を著しく上回っている。
  論文  参考訳（メタデータ） (2023-06-08T17:59:09Z)
• Future Frame Prediction of a Video Sequence [5.660207256468971]
  将来の出来事を予測し、予測し、推論する能力は知性の本質である。 将来の出来事を予測し、予測し、推論する能力は知性の本質である。
  論文  参考訳（メタデータ） (2020-08-31T15:31:02Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• Diverse and Admissible Trajectory Forecasting through Multimodal Context Understanding [46.52703817997932]
  自律走行におけるマルチエージェント軌道予測には、周囲の車両や歩行者の挙動を正確に予測するエージェントが必要である。 マルチモーダル世界から複数の入力信号を合成するモデルを提案する。 従来の最先端手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-03-06T13:59:39Z)

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。