論文の概要: MORE: Learning Motion-Oriented Registers for Driving World Models and Planning

• arxiv url: http://arxiv.org/abs/2610.14871v1
• Date: Sat, 10 Oct 2026 12:43:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:20:37.932085
• Title: MORE: Learning Motion-Oriented Registers for Driving World Models and Planning
• Title（参考訳）: MORE:世界モデルとプランニングのための運動指向レジスタの学習
• Abstract要約: 潜在世界モデルは、エンド・ツー・エンド・ドライブのためのリッチ・セルフ・スーパービジョンを提供するが、事前訓練されたビジュアル・エンコーダの密集した機能をワールド・ステート・インタフェースとして継承することが多い。 視覚的事前学習は情報豊かで空間的に密集した特徴を生み出すが、動作条件付き世界モデリングや計画への適応は下流の訓練に委ねられる。 ビデオ事前学習は、継承された視覚的特徴に適応するために下流のトレーニングに頼るのではなく、下流の世界モデリングと計画に適した状態表現を直接学習すべきである、と我々は主張する。
• 参考スコア（独自算出の注目度）: 32.827078841452604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: By predicting future states, latent world models provide rich self-supervision for end-to-end driving, but often inherit dense features from pretrained visual encoders as their world-state interface. This creates a mismatch: visual pretraining produces information-rich, spatially dense features, but their adaptation for motion-conditioned world modeling and planning is deferred to downstream training. The dense grid also makes future prediction more computationally expensive as visual resolution increases. We therefore argue that video pretraining should directly learn state representations suited to downstream world modeling and planning, rather than relying on downstream training to adapt inherited visual features. We propose ***MORE***, a V-JEPA framework that learns **M**otion-**O**riented **RE**gisters during video pretraining as a shared state interface for driving world models and planning. MORE injects temporally aligned ego motion into a small set of registers and uses them as the sole context for masked patch prediction, channeling dense patch-level supervision through a compact state bottleneck. A complementary blockwise register-masking objective further shapes predictive structure in the register space. During downstream training, the same register space defines the future states predicted by the world model and provides shared scene memory for trajectory generation and scoring. On NAVSIM-v2, MORE outperforms the state of the art by 1.6 in EPDMS, while achieving superior efficiency with only 1/10 the inference latency of DriveLaW. These results support learning the state interface for world modeling and planning directly during video pretraining.
• Abstract（参考訳）: 将来の状態を予測することによって、潜在世界モデルはエンド・ツー・エンド・ドライブのための豊富な自己スーパービジョンを提供するが、事前訓練されたビジュアル・エンコーダの密集した特徴をワールド・ステート・インタフェースとして継承することが多い。 視覚的事前学習は情報豊かで空間的に密集した特徴を生み出すが、動作条件付き世界モデリングや計画への適応は下流の訓練に委ねられる。 密度の強いグリッドは、視覚解像度が増大するにつれて、将来の予測をより計算的に高価にします。 そこで我々は,映像事前学習は下流の視覚的特徴に適応するために,下流のトレーニングに頼るのではなく,下流の世界的モデリングと計画に適した状態表現を直接学習するべきだと論じている。 我々は,ビデオ事前トレーニング中に**M**otion-*O**riented **RE*gistersを学習するV-JEPAフレームワークである**MORE**を,世界モデルを駆動するための共有状態インターフェースとして提案する。 MOREは、時間的に整列したエゴの動きを小さなレジスタに注入し、それをマスクされたパッチ予測のための唯一のコンテキストとして使用し、より密集したパッチレベルの監視を、コンパクトな状態ボトルネックを通じてチャネル化する。 補完的なブロックワイドレジスタマスキング目的がレジスタ空間の予測構造を更に形作る。 下流トレーニングでは、同じレジスタ空間が世界モデルによって予測される将来の状態を定義し、軌道生成とスコアリングのための共有シーンメモリを提供する。 NAVSIM-v2では、MOREはEPDMSで1.6倍の性能を発揮し、DriveLaWの推論遅延を1/10に抑えて優れた効率を実現している。 これらの結果は、ビデオ事前トレーニング中に、世界モデリングと計画のための状態インターフェースの学習を支援する。

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)
• VisualPatchWorld: Code World Models as Latent Structured Representations for Planning [8.39933163242427]
  我々は,世界ダイナミクスをコードとして表現したVisualPatchWorld (VPW)を紹介した。 VPWはまず、短いアクティブプローブを持つ定性的な動的形式を選択し、その後、記録された状態-作用トレースからその形式の自由パラメータに適合する。 VPWは69.0%の平均的な計画成功率に達し、最強のコードベースラインを23.5ポイント越えている。
  論文  参考訳（メタデータ） (2026-07-28T03:23:47Z)
• Sensorimotor World Models: Perception for Action via Inverse Dynamics [59.121736411156384]
  Inverse dynamics regularization で訓練されたエンド・ツー・エンドのセンサモレータ・ワールドモデルを導入する。 表現の崩壊を防ぎ、アクション整列表現を誘導する。 コンパクトで解釈可能な潜在空間を学習し、単純な2Dおよび3D制御タスク間の競合計画性能を実現する。
  論文  参考訳（メタデータ） (2026-06-18T11:25:16Z)
• SparseWorld: Enhancing End-to-End Autonomous Driving via World Models with Sparse Scene Representation [13.699319434868483]
  本稿では,シーンの重要レイアウトのみを予測する軽量な世界モデルであるSparseWorldを紹介する。 SparseWorldは衝突のリスクを大幅に低減し、nuScenesデータセットのオープンループ計画メトリクスにおける最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-23T02:30:33Z)
• 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)
• ResWorld: Temporal Residual World Model for End-to-End Autonomous Driving [40.28153843744977]
  動的オブジェクトモデリングに焦点を当てた時間的残留世界モデル(TR-World)を提案する。 シーン表現の時間的残差を計算することにより、動的対象の情報を検出・追跡に頼ることなく抽出することができる。 また,FGTR(Future-Guided Trajectory Refinement)モジュールも提案する。
  論文  参考訳（メタデータ） (2026-02-11T14:12:26Z)
• World4Drive: End-to-End Autonomous Driving via Intention-aware Physical Latent World Model [18.56171397212777]
  We present World4Drive, a end-to-end autonomous driving framework that using vision foundation model to build latent world model。 World4Driveは、オープンループのnuScenesとクローズループのNavSimベンチマークに手動の認識アノテーションなしで、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-07-01T09:36:38Z)
• Driving in the Occupancy World: Vision-Centric 4D Occupancy Forecasting and Planning via World Models for Autonomous Driving [15.100104512786107]
  Drive-OccWorldは、自動運転のエンドツーエンド計画にビジョン中心の4D予測ワールドモデルを適用する。 制御可能な生成を可能にするために,速度,操舵角度,軌道,指令などの柔軟な動作条件を世界モデルに注入することを提案する。 本手法は,多目的かつ制御可能な4D占有率を創出し,次世代の運転とエンド・ツー・エンド・プランニングの進歩への道を開く。
  論文  参考訳（メタデータ） (2024-08-26T11:53:09Z)
• Enhancing End-to-End Autonomous Driving with Latent World Model [78.22157677787239]
  本稿では,LAW(Latent World Model)を用いたエンドツーエンド運転のための自己教師型学習手法を提案する。 LAWは、現在の特徴とエゴ軌道に基づいて将来のシーン機能を予測する。 この自己監督タスクは、知覚のない、知覚に基づくフレームワークにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2024-06-12T17:59:21Z)
• DriveWorld: 4D Pre-trained Scene Understanding via World Models for Autonomous Driving [67.46481099962088]
  現在の視覚中心の事前訓練は、通常、2Dまたは3Dのプリテキストタスクに依存し、自律運転の時間的特性を4Dシーン理解タスクとして見落としている。 我々は,マルチカメラ駆動ビデオからテンポラリな方法で事前学習が可能なEmphcentricDriveWorldを紹介した。 DriveWorldは、さまざまな自動運転タスクに関する有望な結果を提供する。
  論文  参考訳（メタデータ） (2024-05-07T15:14:20Z)

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。