論文の概要: WALT: Learning World-Model-Aligned Latent Trajectories for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2609.30436v1
- Date: Thu, 24 Sep 2026 18:32:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.102257
- Title: WALT: Learning World-Model-Aligned Latent Trajectories for Autonomous Driving
- Title（参考訳）: WALT: 自律運転のための世界モデル対応潜在軌道学習
- Abstract要約: 我々は、視覚世界状態と生の幾何学的軌跡とのミスマッチに重要なボトルネックがあると主張している。
本稿では,コンパクトな生成軌道潜在空間を学習するWALT(World-Model Alignment for Latent Trajectories)を提案する。
- 参考スコア（独自算出の注目度）: 34.829719821713454
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Driving world models learn rich predictive representations of the surrounding environment from visual observations, yet accurate visual prediction does not necessarily translate into effective trajectory planning. We argue that a key bottleneck lies in the mismatch between visual world states and raw geometric trajectories, which may limit the planner's ability to exploit action-relevant semantics encoded by the world model. To address this issue, we propose World-Model Alignment for Latent Trajectories (WALT), which learns a compact generative trajectory latent space by transferring information from a frozen pretrained driving world model without modifying the world model itself. Rather than directly generating raw waypoints, WALT maps them into compact representations through a dual-branch trajectory autoencoder and transfers semantic knowledge from the frozen visual world model into this trajectory space, encouraging the learned action representation to capture scene-level cues relevant to future motion and planning. Beyond our proposed formulation, we systematically study latent learning based on Joint-Embedding Predictive Architectures (JEPA) and feature alignment following Representation Alignment (REPA) to investigate how trajectory-only representation learning affects downstream planning. We evaluate WALT on the NAVSIM benchmarks. Relative to the raw-waypoint baseline, WALT improves PDMS from 89.4 to 89.8 on NAVSIMv1 and EPDMS from 87.3 to 87.9 on NAVSIMv2 while reducing trajectory planner FLOPs by 30.5%. These results suggest that preserving world representations while extracting action-relevant information provides an effective interface for world-model-based trajectory planning.
- Abstract（参考訳）: ドライビングワールドモデルは、周囲の環境の豊かな予測表現を視覚的観察から学習するが、正確な視覚的予測は必ずしも効果的な軌道計画に変換しない。
我々は、視覚的世界状態と生の幾何学的軌跡とのミスマッチに重要なボトルネックがあり、これは、世界モデルによって符号化されたアクション関連セマンティクスを利用するプランナーの能力を制限する可能性があると主張している。
この問題に対処するために,世界モデル自体を変更することなく,凍結した事前学習された運転世界モデルから情報を伝達することにより,コンパクトな生成軌道潜在空間を学習するWORLT(World-Model Alignment for Latent Trajectories)を提案する。
WALTは、生の経路ポイントを直接生成するのではなく、二重分岐軌道オートエンコーダを通じてそれらをコンパクトな表現にマッピングし、凍結した視覚世界モデルからの意味的知識をこの軌跡空間に転送し、将来の動きと計画に関連するシーンレベルの手がかりを捉えるように学習された行動表現を奨励する。
提案した定式化以外にも,JEPA(Joint-Embedding Predictive Architectures)とREPA(Representation Alignment)による特徴アライメントに基づく潜在学習を体系的に研究し,軌道のみの表現学習が下流計画にどう影響するかを検討した。
WALTをNAVSIMベンチマークで評価する。
NAVSIMv1では89.4から89.8に、NAVSIMv2では87.3から87.9に改善され、軌道プランナーFLOPは30.5%削減された。
これらの結果は,行動関連情報を抽出しながら世界表現を保存することは,世界モデルに基づく軌道計画に有効なインタフェースを提供することを示唆している。
関連論文リスト
- WOLF: World Model Guided LiDAR Exploration with Predictive Frontiers [57.192711741481425]
WOLFは、将来の観測を予測し、自律探査を強化する世界モデル誘導フレームワークである。
WOLFは、観測履歴と探索中の候補運動を組み合わせて、局所的占有率と可視性を予測する。
シミュレーションでは,ガレージにおけるEPICと比較して平均終端時間を10.9%削減する。
論文 参考訳（メタデータ） (2026-09-20T14:09:26Z) - 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) - Sensorimotor World Models: Perception for Action via Inverse Dynamics [59.121736411156384]
Inverse dynamics regularization で訓練されたエンド・ツー・エンドのセンサモレータ・ワールドモデルを導入する。
表現の崩壊を防ぎ、アクション整列表現を誘導する。
コンパクトで解釈可能な潜在空間を学習し、単純な2Dおよび3D制御タスク間の競合計画性能を実現する。
論文 参考訳（メタデータ） (2026-06-18T11:25:16Z) - WorldMAP: Bootstrapping Vision-Language Navigation Trajectory Prediction with Generative World Models [32.71152441572375]
視覚言語モデル(VLM)とジェネレーティブワールドモデル(ジェネレーティブワールドモデル)は、ナビゲーションを具現化する新たな機会を開きつつある。
本稿では,世界モデルが生み出す未来を永続的な意味空間構造に変換するフレームワークWorldMAPについて述べる。
論文 参考訳（メタデータ） (2026-04-09T08:21:58Z) - ExploreVLA: Dense World Modeling and Exploration for End-to-End Autonomous Driving [19.081114003415863]
我々は,意味のある探索と密集した監視を実現するために,統合された理解・生成の枠組みを提案する。
我々は、高密度世界モデリングの目的として、将来のRGBと深度画像生成による軌道予測を強化した。
我々は、この探索信号を安全性の高い報酬に組み込んで、ポリシーを最適化する。
論文 参考訳（メタデータ） (2026-04-03T04:14:13Z) - 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) - WorldRFT: Latent World Model Planning with Reinforcement Fine-Tuning for Autonomous Driving [15.996936632437992]
シーン表現学習を計画と整合させる計画指向の潜在世界モデルフレームワーク WorldRFT を提案する。
WorldRFTは、3次元空間認識を改善するために視覚幾何学の基礎モデルを統合し、階層的計画タスク分解を用いて表現最適化を誘導し、計画指向の駆動ポリシーを導出するために、局所的認識反復改善を利用する。
WorldRFTは、オープンループのnuScenesとクローズループのNavSimベンチマークの両方で、最先端(SOTA)のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-12-22T08:27:44Z) - World4Drive: End-to-End Autonomous Driving via Intention-aware Physical Latent World Model [18.56171397212777]
We present World4Drive, a end-to-end autonomous driving framework that using vision foundation model to build latent world model。
World4Driveは、オープンループのnuScenesとクローズループのNavSimベンチマークに手動の認識アノテーションなしで、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-07-01T09:36:38Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - Learning to Predict Navigational Patterns from Partial Observations [63.04492958425066]
本稿では,実環境におけるナビゲーションのパターンを,部分的な観察のみから推測する,初めての自己教師型学習(SSL)手法を提案する。
我々は、DSLPフィールドに最大極大グラフを適合させることにより、グローバルなナビゲーションパターンを推論する方法を実証する。
実験により,我々のSSLモデルはnuScenesデータセット上で2つのSOTA教師付きレーングラフ予測モデルより優れていることが示された。
論文 参考訳（メタデータ） (2023-04-26T02:08:46Z)
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。