論文の概要: MomWorld: Momentum-Aware Latent World Model for Long-Horizon Autonomous Driving
- arxiv url: http://arxiv.org/abs/2609.33737v2
- Date: Wed, 30 Sep 2026 06:34:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:25.889946
- Title: MomWorld: Momentum-Aware Latent World Model for Long-Horizon Autonomous Driving
- Title（参考訳）: MomWorld: 長距離自動運転のためのMomentum-Aware Latent World Model
- Abstract要約: MomWorldは、長期計画のための運動量対応の潜在世界モデルである。
MomWorldはシーンの動きの傾向を抽出し、潜在運動量を将来の地平線へと伝播させる。
MoFlowは運動量条件付きフローマッチングモジュールであり、予測される将来のシーンの進化に合わせてベース軌道を洗練する。
- 参考スコア（独自算出の注目度）: 45.51604174770497
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-horizon planning enables autonomous vehicles to anticipate scene evolution and potential risks, supporting safe and stable decisions in complex interactions. However, existing methods struggle to propagate motion trends from observed history into the future. Long rollouts based on a single latent state may further attenuate useful dynamics, retain stale motion patterns, and disrupt reliable near-term plans. We introduce MomWorld, a momentum-aware latent world model for long-horizon planning. MomWorld extracts scene motion trends from historical-to-current observations and propagates latent momentum into future horizons, jointly predicting future configuration and momentum states. A learnable momentum persistence mechanism preserves stable trends, scene-conditioned momentum updates adapt future dynamics, and a scene-adaptive reset gate suppresses stale momentum under abrupt changes. We further propose MoFlow, a momentum-conditioned flow-matching module that refines a base trajectory to align with the predicted future scene evolution in only a few integration steps, with a horizon-aware residual fusion that preserves near-term planning stability while permitting stronger long-range corrections. Extensive experiments on NAVSIM, nuScenes and Bench2Drive demonstrate that MomWorld improves long-horizon planning consistency and reduces the average collision rate by 12.2% relative to MomAD over a 6-second planning horizon.
- Abstract（参考訳）: ロングホライゾン計画により、自動運転車はシーンの進化と潜在的なリスクを予測でき、複雑な相互作用における安全かつ安定した決定をサポートする。
しかし、既存の手法は観測された歴史から未来への動きの傾向を伝播させるのに苦労している。
単一の潜伏状態に基づく長時間のロールアウトは、より有用なダイナミクスを減らし、古い動きパターンを維持し、信頼性の高い短期計画を妨害する可能性がある。
我々は,長期計画のための運動量を考慮した潜在世界モデルであるMomWorldを紹介する。
MomWorldは、過去から現在までの観測からシーンの動きの傾向を抽出し、将来の地平線に潜望運動を伝播させ、将来の構成と運動量状態を共同で予測する。
学習可能な運動量持続機構は安定した傾向を保ち、シーン条件の運動量更新は将来の力学に適応し、シーン適応リセットゲートは急激な変化の下で静止運動量を抑制する。
さらに,モーメント条件付きフローマッチングモジュールであるMoFlowを提案する。このモジュールは,いくつかの統合段階において,予測される将来のシーンの進化と整合する基本軌道を改良し,より強力な長距離補正を許容しつつ,短期的な計画安定性を保ちつつ,地平線を考慮した残差融合を実現する。
NAVSIM、nuScenes、Bench2Driveの大規模な実験により、MomWorldは長距離計画の一貫性を改善し、平均衝突速度を6秒の計画地平線上で12.2%減少させることを示した。
関連論文リスト
- Drive-HWM: Hierarchical World Models for Dynamic-Latent Guided Autonomous Driving [78.83165764484562]
Drive-HWMは階層的なスローファーストな世界モデリングフレームワークで、将来の表現予測とアクション生成を補完的な時間スケールで構成する。
次のフレーム予測では、高速モデルが差し迫ったシーンの進化を捉え、一方1ステップのアクション生成は、新しい観察が到着すると、決定を継続的に更新することを可能にする。
論文 参考訳（メタデータ） (2026-09-03T09:21:19Z) - WALL-SS: Scaling Long-horizon World Models via Next-Scale Autoregression [24.010807495676605]
生成的世界モデルは、相互作用の下で世界がどのように進化するかの予測モデルを提供する。
WALL-SSは,スケールワイドの自己回帰スケーリングによって視覚的未来を生成する世界モデルである。
We show that WALL-SS improves action following and trajectory accuracy, support coherent minute-long streaming rollout under bounded memory, and consistent benefit of on-policy alignment。
論文 参考訳（メタデータ） (2026-08-26T17:57:12Z) - ActSWM: Action-Sensitive World Models for Long-Horizon Planning in Open-World Games [6.8149466180197]
本稿では, 遷移分離原理に基づく行動感応的潜在世界モデルである ActSWM を提案する。
ActSWMは、ステップドリフト分析、クローズループマインクラフト計画、ゲーム間のローカルアクションリカバリなどを通じて、既存のベースラインよりも大きなアクション依存ロールアウトギャップを維持している。
論文 参考訳（メタデータ） (2026-07-29T09:55:54Z) - OWMDrive: Causality-Aware End-to-End Autonomous Driving via 4D Occupancy World Model [2.4196046716427393]
OWMDriveは、マルチステップの3D占有予測のためのOccupancy World Model上に構築された、生成的なエンドツーエンド駆動フレームワークである。
OWMDriveは、現在の観測と将来の予測状態の両方に基づいて、軌道候補を反復的に洗練し、強化された駆動軌道を生成する。
論文 参考訳（メタデータ） (2026-06-29T15:05:41Z) - Beyond the Next Step: Variable-Length Latent World Models for Long-Horizon Planning [40.09669638091686]
本稿では,可変長の動作列に条件付き潜在状態を予測するフレームワークを提案する。
実験により、可変長ラテント・ワールド・モデルがラテント・スペース・ワールド・モデルを大幅に改善していることが示されている。
論文 参考訳（メタデータ） (2026-06-19T21:50:15Z) - 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) - DynFlowDrive: Flow-Based Dynamic World Modeling for Autonomous Driving [67.83404465171257]
DynFlowDriveは、異なる運転行動の下で世界状態の遷移をモデル化する潜在世界モデルである。
異なる駆動動作の下でシーン状態がどのように変化するかを記述した速度場を学習する。
これに基づいて,安定性を考慮した多モード軌道選択戦略を導入する。
論文 参考訳（メタデータ） (2026-03-20T06:19:31Z) - 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)
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。