論文の概要: AffordDrive3D: Affordance-Aware World-Action Modeling with Spatial Understanding

• arxiv url: http://arxiv.org/abs/2610.11060v2
• Date: Tue, 13 Oct 2026 09:32:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-14 23:39:49.671711
• Title: AffordDrive3D: Affordance-Aware World-Action Modeling with Spatial Understanding
• Title（参考訳）: AffordDrive3D:空間的理解を用いたAffordance-Aware World-Action Modeling
• Abstract要約: AffordDrive3Dは、将来のアクション関連領域と空間構造を共同で学習する、空きと幾何学を意識した世界アクションモデルである。 NAVSIMでは、AffordDrive3D は 91.3 PDMS と 89.9S で最先端の性能を達成し、将来の余裕と軌道計画のための幾何学を共同でモデル化することの有効性を示した。
• 参考スコア（独自算出の注目度）: 13.288613676278892
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World-action models have recently improved autonomous driving by jointly learning future scene prediction and trajectory generation. Most existing approaches model the future primarily through RGB appearance, and recent works have begun to incorporate geometric prediction to improve spatial understanding. However, dense geometry describes the spatial layout of the entire scene without indicating which parts are most relevant to the ego vehicle's action. For driving, the model must also identify and anticipate where it can safely move and which regions may pose collision risks. Jointly modeling action-relevant regions and future geometry can provide the policy with both driving-relevant cues and their corresponding spatial structure. We therefore propose AffordDrive3D, an affordance- and geometry-aware world-action model that jointly learns future action-relevant regions and spatial structure. In order to capture the scene semantics and driving context needed for driving affordance prediction, we build AffordDrive3D on a VLM backbone to forecast drivable areas and collision-critical regions that directly affect ego motion, while predicting future geometry from RGB world-model latents. On NAVSIM, AffordDrive3D achieves state-of-the-art performance with 91.3 PDMS and 89.9 EPDMS, demonstrating the effectiveness of jointly modeling future affordances and geometry for trajectory planning. Project Page: https://afforddrive3d.github.io/
• Abstract（参考訳）: 世界行動モデルは最近、将来のシーン予測と軌道生成を共同で学習することで自律運転を改善した。 既存のほとんどのアプローチは、主にRGBの外観を通して未来をモデル化し、最近の研究は、空間的理解を改善するために幾何学的予測を取り入れ始めている。 しかし、密集した幾何学では、どの部分がエゴ車両の行動に最も関係しているかを示すことなく、シーン全体の空間的レイアウトを記述する。 運転には、モデルが安全に移動できる場所を特定し、予測する必要がある。 動作関連領域と将来の幾何学は、駆動関連キューとそれに対応する空間構造の両方でポリシーを提供することができる。 そこで我々は,将来的な行動関連領域と空間構造を共同で学習するアベイランスおよび幾何学的世界行動モデルであるAffordDrive3Dを提案する。 VLMバックボーン上にAffordDrive3Dを構築し,エゴ運動に直接影響を及ぼす乾燥領域や衝突クリティカル領域を予測し,RGBワールドモデルラテントから将来の幾何学を予測した。 NAVSIMでは、AffordDrive3D は 91.3 PDMS と 89.9 EPDMS で最先端の性能を達成し、将来の余裕と軌道計画のための幾何学を共同でモデル化することの有効性を示した。 Project Page: https://afforddrive3d.github.io/

関連論文リスト

• 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)
• GeoWorldAD: Geometry World Action Model for Autonomous Driving [45.0114703918243]
  我々は,エゴアライメントされた3次元空間における軌道計画に基づく幾何学的世界行動モデルGeoWorldADを提案する。 現在の幾何学は安全な計画に不可欠な空間的制約を提供するが、将来の幾何学は周囲のエージェントとエゴ中心の自由空間がどのように進化するかを明らかにする。 NAVSIM v1とv2の実験は最先端の性能を示し、明示的な3次元幾何学的接地の有効性を強調した。
  論文  参考訳（メタデータ） (2026-07-20T03:56:07Z)
• Geometric Action Model for Robot Policy Learning [68.6657929619782]
  汎用ロボットポリシーは、オブジェクト、カメラ、ロボットアクションが3D物理世界でどのように相互作用するかを推論しながら、ユーザーの指示に従う必要がある。 最近の視覚言語行動モデル(VLA)とビデオ世界行動モデル(WAM)は、大規模基盤モデルから強い意味や時間的先行を継承する。 本稿では,言語条件の操作ポリシーであるGeometric Action Model (GAM)を提案する。
  論文  参考訳（メタデータ） (2026-06-15T17:58:03Z)
• LiAuto-GeoX: Efficient Grounded Driving Transformer [54.23823436153608]
  デプロイ可能なエゴ中心の3Dシーン理解のための効率的な基底駆動トランスフォーマである textbfLiAuto-GeoX を提案する。 textbfLiAuto-GeoX は KITTI 上で 220 FPS で動作し,高忠実度高密度化を保ち,リアルタイムな展開を実現している。
  論文  参考訳（メタデータ） (2026-06-04T06:58:44Z)
• 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)
• 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)
• GeoDrive: 3D Geometry-Informed Driving World Model with Precise Action Control [50.67481583744243]
  実世界モデルにロバストな3次元形状条件を明示的に統合したGeoDriveを紹介する。 車両の位置を編集することでレンダリングを強化するため,トレーニング中の動的編集モジュールを提案する。 動作精度と空間認識の両面で既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-28T14:46:51Z)

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。