論文の概要: CoDrive: Cross-Vehicle World-Consistent Video Generation with Precise Trajectory Control for Cooperative Driving

• arxiv url: http://arxiv.org/abs/2609.34749v1
• Date: Mon, 28 Sep 2026 09:41:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 03:10:46.164219
• Title: CoDrive: Cross-Vehicle World-Consistent Video Generation with Precise Trajectory Control for Cooperative Driving
• Title（参考訳）: CoDrive: 協調運転のための精密軌道制御による車間連続映像生成
• Abstract要約: 現実の世界での運転は本質的にマルチエージェントであるが、既存の運転世界モデルは単一のエゴ車から観測結果を生成する。 我々は、同じダイナミックシーンを共有する車両の観察を共同で生成する、クロスサイクル多視点駆動生成フレームワークを提案する。 実験によると、CoDriveは、競合する視覚的品質を維持しながら、軌道制御性とクロスエージェント幾何およびインスタンスの整合性を改善する。
• 参考スコア（独自算出の注目度）: 44.89988857451929
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world driving is inherently multi-agent, yet most existing driving world models generate observations from a single ego vehicle. Independently extending them to multiple vehicles does not ensure that different agents observe a consistent shared world. We present CoDrive, a cross-vehicle, multi-view driving video generation framework that jointly generates observations of vehicles sharing the same dynamic scene with precise camera-trajectory control. CoDrive interleaves local self-attention, which models spatiotemporal dependencies among the views of each vehicle, with global self-attention, which enables information exchange and consistency modeling across vehicles. To explicitly encode their spatial relationships, all camera trajectories are represented in a shared world coordinate system and injected into the attention layers through projective relative positional encoding. We further adopt a progressive mixed-task training strategy that combines large-scale real-world single-agent data with synthetic cross-agent interaction data, allowing the model to benefit from real-world appearance distributions while learning cross-agent consistency from simulation. For systematic evaluation, we introduce CoDrive-Bench, a benchmark covering real and synthetic multi-vehicle scenarios and evaluating trajectory controllability, scene geometry consistency, and instance-level consistency. Experiments show that CoDrive improves trajectory controllability and cross-agent geometric and instance consistency while maintaining competitive visual quality.
• Abstract（参考訳）: 現実の世界での運転は本質的にマルチエージェントであるが、既存の運転世界モデルは単一のエゴ車から観測結果を生成する。 独立して複数の車両に拡張することは、異なるエージェントが一貫した共有世界を観察することを保証しない。 我々は,同じダイナミックシーンを共有する車両の観察と正確なカメラ軌道制御を共同で生成する,車間多視点駆動ビデオ生成フレームワークであるCoDriveを提案する。 CoDriveは、各車両のビュー間で時間的依存関係をモデル化するローカルなセルフアテンションと、グローバルなセルフアテンションをインターリーブすることで、車両間の情報交換と一貫性のモデリングを可能にする。 空間的関係を明示的に符号化するために、すべてのカメラ軌跡は共有世界座標系で表現され、投影的相対的位置符号化により注目層に注入される。 さらに,大規模な実世界のシングルエージェントデータと合成エージェント間相互作用データを組み合わせることで,シミュレーションからクロスエージェント一貫性を学習しながら,実世界の外観分布の恩恵を受けられるような,プログレッシブなミックスタスクトレーニング戦略を採用する。 実車と合成車のシナリオを網羅し,軌道制御性,シーン形状の整合性,インスタンスレベルの整合性を評価するベンチマークであるCoDrive-Benchを導入する。 実験によると、CoDriveは、競合する視覚的品質を維持しながら、軌道制御性とクロスエージェント幾何およびインスタンスの整合性を改善する。

関連論文リスト

• HelloWorld: Towards Practical Applications of Generative Driving World Models [51.60209642972941]
  HelloWorldは、これらの要件に基づいて設計された2B駆動の世界モデルシステムである。 HelloWorldは、異種ビデオデータから制御可能な駆動生成まで、幅広い視覚的およびモーション的先行を専門としている。 システムは、7カメラのRGB生成と条件付きLiDAR合成をサポートする。
  論文  参考訳（メタデータ） (2026-09-24T02:28:50Z)
• V2XCrafter: Learning to Generate Driving Scene Across Agents [52.22336670088219]
  協調運転システムは、運転安全性を高めるために、車両間通信(V2X)を利用して協調認識を行う。 エージェントのカメラビューにまたがって制御可能で現実的な協調運転シーンを生成するための最初のフレームワークであるV2XCrafterを提案する。 実験により,V2XCrafterはエージェント間の整合性を持った高忠実かつ制御可能なストリートビューを生成できることがわかった。
  論文  参考訳（メタデータ） (2026-05-28T07:03:51Z)
• DrivingGen: A Comprehensive Benchmark for Generative Video World Models in Autonomous Driving [49.11389494068169]
  我々は、生成駆動世界モデルのための最初の総合的なベンチマークであるDrivingGenを提示する。 DrivingGenは、駆動データセットとインターネットスケールのビデオソースの両方から収集されたさまざまな評価データセットを組み合わせる。 一般的なモデルは良く見えるが物理を破るが、運転に特化したものは現実的に動きを捉えているが、視界の質は遅れている。
  論文  参考訳（メタデータ） (2026-01-04T13:36:21Z)
• Seeing Beyond Views: Multi-View Driving Scene Video Generation with Holistic Attention [61.3281618482513]
  高品質なマルチビュー駆動ビデオの合成を目的とした,新しいネットワークであるCogDrivingについて紹介する。 CogDriving は Diffusion Transformer アーキテクチャと holistic-4D attention module を活用し、次元間の同時結合を可能にする。 CogDrivingは、nuScenesバリデーションセットで強力なパフォーマンスを示し、FVDスコア37.8を達成し、リアルなドライビングビデオを生成する能力を強調している。
  論文  参考訳（メタデータ） (2024-12-04T18:02:49Z)

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。