論文の概要: World4Scorer: Outcome-Grounded World Modeling for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2609.36438v1
• Date: Tue, 29 Sep 2026 00:55:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.082625
• Title: World4Scorer: Outcome-Grounded World Modeling for Autonomous Driving
• Title（参考訳）: World4Scorer: 自律運転のためのアウトカムグラウンドワールドモデリング
• Abstract要約: 軌道条件付きJEPA型予測器としてスコアラーを構築するWorld4Scorerを紹介する。 World4Scorerは、最先端のNAVSIM-v2性能を実現し、クローズループのBench2Drive上での強力な適応システムを実現している。
• 参考スコア（独自算出の注目度）: 20.722649798469224
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Autonomous driving requires choosing a safe and efficient plan as surrounding traffic evolves. Generate-and-select planners propose multiple trajectories and score them for execution, and they have outperformed representative direct-prediction baselines on NAVSIM. Their scorer must compare plans that were never executed. Driving logs record the future of only the executed trajectory, so matching the logged future can leave predictions for the alternatives unconstrained; a simulator, in contrast, can label the outcome of every candidate. We introduce World4Scorer, which builds the scorer as a trajectory-conditioned JEPA-style predictor: it predicts a state for each candidate and reads the candidate's scores from that state. Simulator outcome labels supervise the states of all candidates, and the observed future of the executed trajectory anchors the predictor to real scene evolution. Because one predictor produces every candidate's state, the anchor can constrain shared parameters used to score unexecuted plans, while the future itself is needed only during training. Generated candidates mostly score well, so a scene-matched bank adds low-scoring plans to the outcome supervision; framewise choices can conflict, so inertial re-ranking keeps consecutive selections consistent. World4Scorer achieves state-of-the-art NAVSIM-v2 performance and a strong adapted-system result on closed-loop Bench2Drive. With the LeWM world model and planning budget fixed, outcome-based scoring also improves manipulation planning on the OGBench-Cube benchmark.
• Abstract（参考訳）: 自動運転は、周囲の交通が進化するにつれて安全で効率的な計画を選択する必要がある。 Generate-and-select Plannerは複数のトラジェクトリを提案し、それらを実行時にスコアし、NAVSIMで代表的な直接予測ベースラインよりも優れています。 彼らのスコアラーは、実行されなかった計画を比較する必要があります。 運転ログは、実行された軌跡のみの未来を記録するので、ログされた未来と一致することは、制約のない代替案の予測を残すことができる。 我々はWorld4Scorerを紹介し、このスコアラを軌道条件付きJEPAスタイルの予測器として構築し、各候補の状態を予測し、その状態から候補のスコアを読み取る。 シミュレーション結果ラベルは、すべての候補の状態を監督し、実行された軌道の観測された未来は、予測器を実際のシーンの進化に固定する。 1つの予測器が全ての候補の状態を生成するため、アンカーは実行されていない計画を評価するために使用される共有パラメータを制約することができる。 生成された候補のスコアは概ね良好であり、シーンマッチングされた銀行は結果の監督に低スコアの計画を付加する。 World4Scorerは、最先端のNAVSIM-v2性能を実現し、クローズループのBench2Drive上での強力な適応システムを実現している。 LeWMの世界モデルと計画予算の修正により、結果に基づくスコアリングは、OGBench-Cubeベンチマークの操作計画を改善する。

関連論文リスト

• Recommendation World Models for Future-State Control [53.191633845200876]
  我々は、訓練されたランク付け者が将来の結果についての意思決定を支援する方法について研究する。 UA-TWM(UA-TWM)は,近傍のスレート動作を構成するユーティリティアンコールなワールドモデルインタフェースである。 本研究は,MovieLens-25MとKuaiRand-Pureにおける12の逐次バックボーン間の移動と,KuaiSimにおけるターゲット指向インタラクションの繰り返しを評価する。
  論文  参考訳（メタデータ） (2026-09-25T02:37:48Z)
• MoP-JEPA: Hard-Assigned Predictor Mixtures for Stochastic JEPA World Models [14.76812870029721]
  MoP-JEPAは、有限個の候補セットを1つのパスで生成する。 ホールドアウトのOGBenchトランジションでは、単一出力予測器によるグラフ検索が0.02$--0.09$のクエリで成功し、MoP-JEPAは0.85$に達した。
  論文  参考訳（メタデータ） (2026-07-06T15:47:37Z)
• Test-Time Trajectory Optimization for Autonomous Driving [77.87162309994567]
  自動運転のためのエンド・ツー・エンドのプランナーは、通常、一連の候補軌跡を生成し、それぞれをスコアし、最高スコアの候補を返す。 我々は、スコアラを学習軌跡レベルの報酬関数として扱い、それを最大化する軌跡を探索する。 提案手法であるTOAD(Cross-Entropy Method:クロスエントロピー法)をテスト時に実行し,プランナーの提案からウォームスタートする。
  論文  参考訳（メタデータ） (2026-06-05T11:39:27Z)
• CLOVER: Closed-Loop Value Estimation and Ranking for End-to-End Autonomous Driving Planning [11.2767413780552]
  CLOVERはエンドツーエンドの自動運転計画のためのフレームワークである。 ジェネレータは多様な候補軌道を生成し、スコアは計画値のサブスコアを予測する。 ジェネレータは教師が選択したトップ$とベクターParetoターゲットに洗練される。
  論文  参考訳（メタデータ） (2026-05-14T17:32:18Z)
• Autonomous Vehicle Path Planning by Searching With Differentiable Simulation [55.46735086899153]
  計画では、エージェントが現実世界で実行する前に、アクションを安全に洗練することができる。 自動運転では、衝突を避け、複雑な密集した交通シナリオをナビゲートすることが不可欠である。 本稿では、微分可能シミュレータWaymaxを次の状態予測と批判の両方として活用するフレームワークである、微分可能探索シミュレーション(DSS)を提案する。
  論文  参考訳（メタデータ） (2025-11-14T07:56:34Z)
• End-to-End Driving with Online Trajectory Evaluation via BEV World Model [52.10633338584164]
  本稿では,BEV Worldモデルを活用し,将来のBEV状態を予測するためのエンドツーエンド駆動フレームワークWoTEを提案する。 我々は,NAVSIMベンチマークとCARLAシミュレータに基づく閉ループBench2Driveベンチマークを用いて,最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-04-02T17:47:23Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• DenseTNT: End-to-end Trajectory Prediction from Dense Goal Sets [29.239524389784606]
  DenseTNTと呼ばれるアンカーフリーかつエンドツーエンドの軌道予測モデルを提案し、高密度な目標候補から一連の軌道を直接出力する。 DenseTNTは最先端のパフォーマンスを達成し、Argoverseのモーション予測ベンチマークで1位、2021年のオープンモーション予測チャレンジで1位を獲得した。
  論文  参考訳（メタデータ） (2021-08-22T05:27:35Z)

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。