論文の概要: PhysWAM: Physically Consistent World Action Model for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2609.37970v1
• Date: Tue, 29 Sep 2026 16:38:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.748969
• Title: PhysWAM: Physically Consistent World Action Model for Autonomous Driving
• Title（参考訳）: PhysWAM: 自律運転のための物理的に一貫性のある世界行動モデル
• Abstract要約: 本稿では、自律運転のための統合世界行動モデルであるPhysWAMを提案する。 単一のフローマッチング変換器内で、マルチビュービデオ、メートル法深度、エゴ運動を共用する。 NAVSIM v1およびv2プランニング、ゼロショットクローズドループ転送、将来のビデオおよびメートル法深度予測におけるPhysWAMの評価を行った。
• 参考スコア（独自算出の注目度）: 30.16730105567107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World-action models (WAMs) jointly predict how a scene will evolve and how an agent should act, however joint generation alone does not necessarily impose a shared geometric constraint on these predictions. We present PhysWAM, a unified world-action model for autonomous driving that co-denoises multiview video, metric depth, and ego motion within a single flow-matching transformer. To ground world and action generation in measured scene geometry, we introduce Coupled Point Projection (CPP) that unprojects the generated depth into 3D points, transforms them using the generated $\mathrm{SE}(3)$ ego motion, and minimizes their distance to LiDAR points transformed using the recorded ego motion. This geometric constraint promotes physical consistency with the measured scene by jointly supervising generated depth and motion alongside their standard flow-matching objectives. At inference, trajectory selection relies only on a simple label-free consensus rule, with no learned scorer or simulator feedback. We evaluate PhysWAM across NAVSIM v1 and v2 planning, zero-shot closed-loop transfer, and future video and metric-depth prediction. Despite PhysWAM's simple selection procedure, it achieves strong planning performance and transfers zero-shot to unseen driving environments. It also generates accurate metric depth and temporally coherent video, with CPP improving both planning and depth prediction. Together, these results demonstrate that the geometric relationship between scene depth and ego motion provides a direct way to couple world and action generation within a simple unified model.
• Abstract（参考訳）: ワールドアクションモデル(WAM)は、シーンがどのように進化するか、エージェントがどのように振る舞うべきかを共同で予測するが、ジョイントジェネレーションだけでは必ずしもこれらの予測に共有幾何学的制約を課すとは限らない。 本稿では,多視点ビデオ,メートル法深度,エゴ運動を1つのフローマッチング変換器内で共用する,自律運転のための統一世界行動モデルであるPhysWAMを提案する。 測定されたシーン幾何学における地中空間とアクション生成のために,生成した深度を3Dポイントに解離し,生成した$\mathrm{SE}(3)$ egoモーションを用いて変換し,記録したエゴモーションを用いて変換されたLiDARポイントまでの距離を最小化する結合点投影(CPP)を導入する。 この幾何的制約は、標準のフローマッチング目的と並んで生成した深さと動きを共同で監視することにより、測定されたシーンとの物理的整合性を促進する。 推論では、軌道選択は単純なラベルなしのコンセンサスルールにのみ依存し、学習したスコアやシミュレータのフィードバックはない。 NAVSIM v1およびv2プランニング、ゼロショットクローズドループ転送、将来のビデオおよびメートル法深度予測におけるPhysWAMの評価を行った。 PhysWAMの単純な選択手順にもかかわらず、強い計画性能を達成し、ゼロショットを目に見えない運転環境に転送する。 また、正確なメートル法深度と時間的コヒーレントなビデオを生成し、CPPは計画と深度予測の両方を改善している。 これらの結果から,シーン深度とエゴ運動の幾何学的関係は,単純な統一モデル内での世界と行動生成を結合する直接的な手段となることが示された。

関連論文リスト

• TourPhysics: Bringing Physics to World Models for Exploration and Manipulation from a Single Image [53.206752160427065]
  TourPhysicsは、単一のイメージと宣言的な物理的な設定から得られるオンラインフレームワークである。 各動作について、シミュレータは、対応する観測が生成される前に、有限の物理およびカメラ軌道を計算する。 TourPhysicsは、評価されたベースラインよりも、所定のカメラとオブジェクトの軌跡に従う。
  論文  参考訳（メタデータ） (2026-09-04T09:15:03Z)
• GeoWAM: Visual Geometry World Action Models for Autonomous Driving [14.05425826273513]
  自律運転のための視覚幾何学的世界行動モデルである textbfGeoWAM を紹介する。 将来の画像を予測する代わりに、GeoWAMは将来のシーン形状を予測するために事前訓練されている。 幾何条件のアクションヘッドは、これらの学習された幾何学的ダイナミクスを利用して将来のエゴ軌道を予測する。
  論文  参考訳（メタデータ） (2026-08-24T16:49:53Z)
• SimWAM: A Simple World Action Model for End-to-End Autonomous Driving [66.93548079427477]
  我々は、将来の映像予測を訓練時間監視信号として活用する、シンプルで効果的なWAMであるSimWAMを提案する。 孤立した注意マスクは、将来のフレームとは独立して行動予測を保持し、推論時に明示的な将来のフレーム生成なしに軌道予測を可能にする。 我々のSimWAMは、NAVSIM上の91.5 PDMSを達成し、最先端のWAMベースのプランナをはるかに低レイテンシで超越し、ゼロショットをnuScenesに転送する。
  論文  参考訳（メタデータ） (2026-08-07T17:59:09Z)
• HERMES++: Toward a Unified Driving World Model for 3D Scene Understanding and Generation [83.31948299340782]
  HERMES++は、単一のフレームワーク内で3Dシーン理解と将来の幾何学的予測を統合する統合駆動世界モデルである。 Hermes++は、将来のクラウド予測と3Dシーン理解タスクの両方において、優れたパフォーマンスと優れたスペシャリストのアプローチを実現している。
  論文  参考訳（メタデータ） (2026-04-30T17:59:58Z)
• Walk through Paintings: Egocentric World Models from Internet Priors [65.30611174953958]
  本稿では,エゴセントリック・ワールド・モデル(EgoWM)について述べる。 我々は、スクラッチからトレーニングするよりも、インターネット規模のビデオモデルのリッチワールドを再利用し、軽量なコンディショニング層を通じてモーターコマンドを注入する。 当社のアプローチは,3-DoF移動ロボットから25-DoFヒューマノイドまで,エボディメントやアクションスペースを自然に拡張する。
  論文  参考訳（メタデータ） (2026-01-21T18:59:32Z)
• Towards High-Consistency Embodied World Model with Multi-View Trajectory Videos [24.111891848073288]
  身体的世界モデルは、視覚的な観察と行動を通じて物理的世界と予測し、相互作用することを目的としている。 MTV-Worldは正確なビジュモータ予測のためのマルチビュートラジェクトリ・ビデオ制御を導入した。 MTV-Worldは、複雑なデュアルアームシナリオにおける正確な制御実行と正確な物理的相互作用モデリングを実現する。
  論文  参考訳（メタデータ） (2025-11-17T02:17:04Z)
• Physical Informed Driving World Model [47.04423342994622]
  DrivePhysicaは、本質的な物理原理に準拠したリアルなドライビングビデオを生成するために設計された革新的なモデルだ。 我々は,Nuscenesデータセット上での3.96 FIDと38.06 FVDの駆動ビデオ生成品質と下流認識タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-12-11T14:29:35Z)
• Learning Monocular Depth in Dynamic Scenes via Instance-Aware Projection Consistency [114.02182755620784]
  本稿では,複数の動的物体の6-DoF動作,エゴモーション,深度を,監督なしで一眼レフカメラで明示的にモデル化する,エンドツーエンドのジョイントトレーニングフレームワークを提案する。 筆者らのフレームワークは,最先端の深度・動き推定法より優れていた。
  論文  参考訳（メタデータ） (2021-02-04T14:26:42Z)

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。