論文の概要: PlanWAM: Planning-Shaped Future Representations for End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2610.11382v1
• Date: Thu, 08 Oct 2026 07:13:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.85613
• Title: PlanWAM: Planning-Shaped Future Representations for End-to-End Autonomous Driving
• Title（参考訳）: PlanWAM: エンド・ツー・エンド自動運転のための計画型未来表現
• Abstract要約: 計画型世界行動モデルPlanWAMを提案する。 鍵となるアイデアは、計画タスクが将来の状態表現を形作って、計画に最も有用な情報を保持できるようにすることである。 PlanWAM は NAVSIM-v1/v2 navtest で 93.8 PDMS / 90.9S を獲得し、ゼロショット設定で閉ループ HUG-SIM で 38.7 HD-Score に達する。
• 参考スコア（独自算出の注目度）: 38.0668909074593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World models in end-to-end autonomous driving predict future scene evolution to provide foresight for trajectory planning. Existing methods mainly study how to predict the future and how to use it, but less often ask which future representation is actually most useful for planning. To this end, we propose PlanWAM, a Planning-Shaped World Action Model. The key idea is to let the planning task shape the future-state representation, so that it retains the information most useful for planning. A latent world model then predicts this planning-shaped future latent representation from historical observations and uses it for planning, enabling foresighted planning. Specifically, we first use a Temporal Register Pyramid to compress multi-frame historical information in a recency-aware manner, learning a compact history representation oriented toward future reasoning and planning. We then introduce a privileged future posterior branch that observes ground-truth future frames, and shape its future latent representation with trajectory-planning objectives to obtain a planning-shaped future latent representation. Hindsight-to-Foresight Distillation trains a prior branch that depends only on history to predict this future latent representation. The predicted future latent representation serves as planning context and guides trajectory generation and selection. PlanWAM achieves 93.8 PDMS / 90.9 EPDMS on NAVSIM-v1/v2 navtest and reaches 38.7 HD-Score on closed-loop HUGSIM in a zero-shot setting, demonstrating leading planning performance across both open-loop and closed-loop evaluations. Extensive experiments further demonstrate that planning-shaped future representations provide an effective and deployable form of foresight for world-action models.
• Abstract（参考訳）: エンド・ツー・エンドの自動運転の世界モデルは将来のシーンの進化を予測し、軌道計画の見通しを提供する。 既存の手法は主に未来を予測する方法とそれを使う方法を研究するが、計画においてどの未来表現が実際に最も有用であるかを問うことは少ない。 そこで我々は,計画型世界行動モデルPlanWAMを提案する。 鍵となる考え方は、計画タスクが将来の状態表現を形作って、計画に最も有用な情報を保持できるようにすることである。 潜在世界モデルは、歴史的観測からこの計画型の未来の潜在未来表現を予測し、それを計画に使用し、予測された計画を可能にする。 具体的には,まず時間登録ピラミッドを用いて,複数フレームの履歴情報をリアルタイムに圧縮し,将来の推論と計画を指向したコンパクトな歴史表現を学習する。 提案手法では, 提案手法を用いて, 将来のフレームを観測し, 将来の潜在表現を軌道計画目的で形成し, 計画的な将来の潜在表現を得る。 Hindsight-to-Foresight Distillation(英語版)は、この将来の潜伏表現を予測するために歴史にのみ依存する事前ブランチを訓練する。 予測される将来の潜在表現は、計画コンテキストとして機能し、軌道生成と選択を導く。 PlanWAM は NAVSIM-v1/v2 navtest で 93.8 PDMS / 90.9 EPDMS を達成し、ゼロショット設定でクローズドループ HUGSIM で 38.7 HD-Score に達する。 広範な実験により、計画型の将来の表現は、世界行動モデルに対して効果的でデプロイ可能なフォレストを提供することが示された。

関連論文リスト

• DA-WAM: Decision-Aligned Future Latents for Driving World Models [6.756366477497099]
  DA-WAMは、予測表現学習、行動条件付き将来のモデリング、軌道スコアを単一の意思決定目標の下で統一するフレームワークである。 動作条件付き予測器は、トラジェクトリ候補毎の異なる将来の潜在状態を生成し、将来の遅延条件付き因子化スコアラによって評価される。 NAVSIM-v1とNAVSIM-v2の実験は、最先端の性能を示し、改善と診断分析は鍵となる構成要素を検証する。
  論文  参考訳（メタデータ） (2026-08-19T16:33:02Z)
• See Tomorrow, Act Today: Foresight-Driven Autonomous Driving [87.02582063534608]
  ForeSightは、予測された意思決定として自動運転を再設計する基礎的世界モデル中心の計画フレームワークである。 提案手法は,(1)事前学習された世界モデルを用いて,有望な未来世界を生成すること,(2)これらの未来を前提とした計画行動を行うこと,の2段階からなる。
  論文  参考訳（メタデータ） (2026-05-08T03:42:05Z)
• 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)
• FutureX: Enhance End-to-End Autonomous Driving via Latent Chain-of-Thought World Model [103.2513470454204]
  FutureXは、エンド・ツー・エンドのプランナを強化し、将来のシーンの遅延推論と軌道修正を通じて複雑な動作計画を実行するパイプラインである。 FutureXは、より合理的な運動計画と衝突を減らすことで、効率を損なうことなく既存の方法を強化する。
  論文  参考訳（メタデータ） (2025-12-12T02:12:49Z)
• 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)
• Bridging Past and Future: End-to-End Autonomous Driving with Historical Prediction and Planning [12.182364509599228]
  エンドツーエンドの自動運転は、タスクを差別化可能なフレームワークに統合し、計画指向の最適化を可能にし、注目を集める。 動作と計画のクエリを多段階のクエリとして再構成し、将来のステップ毎にクエリを区別するBridgeADを提案する。 この設計は、時間ステップに基づくエンド・ツー・エンドシステムの適切な部分にそれらを適用することにより、歴史的予測と計画の効果的利用を可能にし、知覚と運動計画の両方を改善する。
  論文  参考訳（メタデータ） (2025-03-18T11:57:31Z)
• LHPF: Look back the History and Plan for the Future in Autonomous Driving [10.855426442780516]
  本稿では,歴史計画情報を統合した模倣学習プランナ LHPF を紹介する。 我々のアプローチでは、歴史的計画意図をプールする歴史的意図集約モジュールを採用している。 実世界のデータと合成データの両方を用いた実験は、LHPFが既存の高度な学習ベースのプランナーに勝るだけでなく、純粋に学習ベースのプランナーがエキスパートを上回った最初の事例であることを示している。
  論文  参考訳（メタデータ） (2024-11-26T09:30:26Z)
• Perceive, Predict, and Plan: Safe Motion Planning Through Interpretable Semantic Representations [81.05412704590707]
  本稿では,自動運転車の協調認識,予測,動作計画を行うエンド・ツー・エンドの学習可能なネットワークを提案する。 私たちのネットワークは、人間のデモからエンドツーエンドに学習されます。
  論文  参考訳（メタデータ） (2020-08-13T14:40:46Z)

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。