論文の概要: SimVTA: Simulation-Grounded Video-Trajectory Alignment for Driving World Action Models

• arxiv url: http://arxiv.org/abs/2610.13781v1
• Date: Fri, 09 Oct 2026 16:01:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.662938
• Title: SimVTA: Simulation-Grounded Video-Trajectory Alignment for Driving World Action Models
• Title（参考訳）: SimVTA:世界行動モデル駆動のためのシミュレーショングラウンドビデオトラジェクトリアライメント
• Abstract要約: ドライビング・ワールド・アクション・モデル(WAM)は、ペア化された軌道と将来の観測から学ぶ。 軌道最適化と映像監視を組み合わせたシミュレーション・グラウンド・ポストトレーニング・フレームワークであるSimVTAを紹介する。 我々は,NAVSIM v1上でSimVTAが88.2S,HUGSIM上での平均HDスコアが38.8であることを示す。
• 参考スコア（独自算出の注目度）: 25.802199105355346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driving world action models (WAMs) learn from paired trajectories and future observations. Post-training with reinforcement learning allows the policy to explore alternative trajectories and improve planning using driving rewards. However, driving logs contain future videos only for the recorded trajectories, leaving these alternatives without corresponding visual supervision. Thus, we introduce SimVTA, a simulation-grounded post-training framework that combines trajectory optimization with video supervision. First, we sample candidate trajectories for each observation and use a real-world simulator (e.g., World Engine) to render future videos for high-reward candidates in real-world scenes reconstructed with 3D Gaussian Splatting (3DGS). This provides trajectory-matched supervision independent of the model's own predictions. Under a limited rendering budget, we prioritize video supervision for higher-error futures among these rendered candidates. Finally, we optimize trajectory planning with Group Relative Policy Optimization (GRPO) and use a flow-matching loss on the matched videos to update shared representations. At inference time, the model predicts trajectories directly, without simulator calls. On NAVSIM v1, applying SimVTA to a WAM initialization improves PDMS from 86.2 to 91.3 (+5.1). It achieves 88.2 EPDMS on NAVSIM v2 and an average HD-Score of 38.8 in closed-loop evaluation on HUGSIM. Ablations show that updating shared representations with video supervision improves planning, while prioritizing higher-error futures among high-reward trajectories further improves performance.
• Abstract（参考訳）: ドライビング・ワールド・アクション・モデル(WAM)は、ペア化された軌道と将来の観測から学ぶ。 強化学習による訓練後、政策は代替軌道を探索し、運転報酬を用いた計画を改善することができる。 しかしながら、運転ログには、記録された軌跡のみの将来のビデオが含まれており、これらの代替手段は、対応する視覚的監督を伴わないままである。 そこで本研究では,トラジェクトリ最適化とビデオ監視を組み合わせた,シミュレーションによるポストトレーニングフレームワークであるSimVTAを紹介する。 まず,各観測対象の候補軌跡をサンプリングし,実世界のシミュレータ(例えばWorld Engine)を用いて,3Dガウススティング(3DGS)で再構成した実世界の高次候補の将来の映像をレンダリングする。 これは、モデル自身の予測とは無関係に、軌道に整合した監督を提供する。 限られたレンダリング予算の下では、これらの予測された候補のうち、高いエラー未来に対するビデオ監督を優先する。 最後に,グループ相対政策最適化(GRPO)による軌道計画の最適化と,一致したビデオのフローマッチング損失を用いた共有表現の更新を行う。 推測時、モデルはシミュレーターコールなしで直接軌道を予測する。 NAVSIM v1では、WAMの初期化にSimVTAを適用すると、PDMSは86.2から91.3(+5.1)に改善される。 NAVSIM v2では88.2 EPDMS、HUGSIMでは平均HDスコアが38.8である。 ビデオ監視による共有表現の更新は計画を改善する一方で、高次軌跡における高次エラーの先行きを優先順位付けすることで、パフォーマンスがさらに向上することを示す。

関連論文リスト

• 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)
• 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)
• VideoGAN-based Trajectory Proposal for Automated Vehicles [1.693200946453174]
  本稿では,鳥眼視(BEV)の交通シナリオのビデオに基づいて訓練された生成ネットワーク(GAN)が,統計的に正確な軌跡を生成できるかどうかを検討する。 そこで本研究では,ビデオ生成モデルのトレーニングデータとして,低解像度のBEV占有グリッドビデオを使用するパイプラインを提案する。 我々は,20ms未満の推論時間で,100GPU時間以内のトレーニングで最高の結果を得た。
  論文  参考訳（メタデータ） (2025-06-19T10:57:44Z)
• Dream to Drive: Model-Based Vehicle Control Using Analytic World Models [67.20720048255362]
  我々は次の状態予測器、最適プランナー、最適逆状態の学習を可能にする3つの新しいタスク設定を提案する。 現在の動作に関して次のシミュレータ状態の勾配を必要とする分析ポリシ(APG)とは異なり、提案したセットアップは、現在の状態に関して次の状態の勾配に依存する。
  論文  参考訳（メタデータ） (2025-02-14T08:46:49Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• An End-to-End Vehicle Trajcetory Prediction Framework [3.7311680121118345]
  将来の軌道の正確な予測は、以前の軌道に依存するだけでなく、近くの他の車両間の複雑な相互作用のシミュレーションにも依存する。 この問題に対処するために構築されたほとんどの最先端のネットワークは、軌跡をたどって容易に利用できると仮定している。 本稿では,生のビデオ入力を取り込み,将来の軌跡予測を出力する新しいエンドツーエンドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-04-19T15:42:03Z)
• AutoTrajectory: Label-free Trajectory Extraction and Prediction from Videos using Dynamic Points [92.91569287889203]
  軌道抽出と予測のための新しいラベルなしアルゴリズムAutoTrajectoryを提案する。 動画中の移動物体をよりよく捉えるために,ダイナミックポイントを導入する。 ビデオ内の歩行者などの移動物体を表すインスタンスポイントに動的ポイントを集約する。
  論文  参考訳（メタデータ） (2020-07-11T08:43:34Z)

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。