論文の概要: VGGTWorld-VLA: Intent-Conditioned 3D World Evolution for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2610.11161v1
- Date: Thu, 08 Oct 2026 03:20:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.761364
- Title: VGGTWorld-VLA: Intent-Conditioned 3D World Evolution for Autonomous Driving
- Title（参考訳）: VGGTWorld-VLA:Intent-Conditioned 3D World Evolution for autonomous Driving
- Abstract要約: VGGTは、視覚観測から統一された3次元シーン形状を復元することにより、幾何学中心の世界モデルのための強力な基盤を提供する。
本稿では,VGGT-Worldの意図的拡張であるVGGTWorld-VLAを提案する。
- 参考スコア（独自算出の注目度）: 17.70271846367762
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: VGGT provides a strong foundation for geometry-centric world models by recovering unified 3D scene geometry from visual observations. Although recent extensions enable temporal 3D prediction, their future evolution remains weakly conditioned on driving intentions and actions, limiting their ability to model alternative action-dependent futures. We propose VGGTWorld-VLA, an intention-conditioned extension of VGGT-World for controllable 3D world evolution in autonomous driving. First, we introduce an action--semantic conditioning mechanism that injects complementary driving semantics and ego-motion representations into the future-token stream, enabling different future geometry predictions for the same observed scene under alternative ego actions. Second, we develop a geometry--language--action bridge that adapts historical geometry, VLA semantic features, and maneuver and trajectory representations for joint conditioning of future geometry prediction. We evaluate future geometry prediction on NAVSIM, while conditioning ablations further examine the contributions of semantic and action information. Compared with the baseline, our method demonstrates competitive geometry prediction performance. Ablation studies further support the effectiveness of semantic and action conditioning. These results demonstrate the potential of semantic and action conditioning for controllable VGGT-based world prediction in autonomous driving.
- Abstract（参考訳）: VGGTは、視覚観測から統一された3次元シーン形状を復元することにより、幾何学中心の世界モデルのための強力な基盤を提供する。
最近の拡張は時間的3D予測を可能にするが、将来の進化は意図と行動の駆動に弱い条件を保ち、代替の行動依存未来をモデル化する能力を制限する。
本稿では,VGGT-Worldの意図的拡張であるVGGTWorld-VLAを提案する。
まず,動作意味論とエゴ運動表現を将来の流れに注入する動作意味条件付け機構を導入し,他のエゴ行動下での観測シーンの異なる将来の幾何学的予測を可能にする。
第2に、歴史幾何学、VLA意味的特徴、および将来の幾何学予測の共形条件付けのための操作および軌道表現を適応させる幾何学-言語-アクションブリッジを開発する。
我々は,NAVSIMにおける将来の幾何学的予測を評価するとともに,セマンティック情報とアクション情報の寄与についてさらに検討する。
本手法は,ベースラインと比較して,競合幾何学予測性能を示す。
アブレーション研究は、セマンティックおよびアクションコンディショニングの有効性をさらに支援している。
これらの結果は、自律運転における制御可能なVGGTに基づく世界予測のための意味と行動条件付けの可能性を示している。
関連論文リスト
- AffordDrive3D: Affordance-Aware World-Action Modeling with Spatial Understanding [13.288613676278892]
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。
論文 参考訳（メタデータ） (2026-10-08T01:16:38Z) - 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) - WNM-3D: A World Navigation Model with 3D Scene Conditioning for Closed-Loop VLN [53.419929910272735]
連続VLNのための3次元シーン条件付き生成ワールドナビゲーションモデルWNM-3Dを提案する。
凍結フィードフォワード幾何エンコーダは、過去の観測を永続的なシーンコンテキストに統合するために、単眼の自我中心のRGB履歴から幾何認識表現を抽出する。
ブロック因果的注意を通じて、この接頭辞は将来のビデオアクションブロックの全てを条件とし、将来のビューとアクション生成の両方のための共有幾何学的コンテキストを提供する。
論文 参考訳（メタデータ） (2026-08-07T14:29:00Z) - 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) - 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) - DVGT-2: Vision-Geometry-Action Model for Autonomous Driving at Scale [63.05446464787182]
本稿では,高密度な3次元形状を自律運転のクリティカルキューとして提唱するビジョン・ジオメトリ・アクションのパラダイムを提案する。
本稿では,DVGT-2(Stream Driving Visual Geometry Transformer)を導入し,入力をオンラインに処理し,現行のフレームに対して高密度なジオメトリとトラジェクトリプランニングを共同で出力する。
高速にもかかわらず、DVGT-2は様々なデータセット上で優れた幾何再構成性能を達成する。
論文 参考訳（メタデータ） (2026-04-01T12:21:26Z) - 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) - 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) - 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。