論文の概要: Into the LidarVerse: A Real-Time Unified LiDAR World Model Across Tasks and Sensors

• arxiv url: http://arxiv.org/abs/2610.19201v1
• Date: Tue, 13 Oct 2026 21:11:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.810727
• Title: Into the LidarVerse: A Real-Time Unified LiDAR World Model Across Tasks and Sensors
• Title（参考訳）: LidarVerseへ:タスクとセンサをまたいだリアルタイム統一LiDAR世界モデル
• Abstract要約: LidarVerseはリアルタイムで統合されたLiDARワールドモデルで、タスクやセンサーをまたいだセンサーシミュレーションを行う。 ユニバーサルトークン化器は、LiDARシーケンスを共有潜在空間にマッピングし、双方向の教師が条件付けのための共通インターフェースを学ぶ。 我々は,教師を4段階の自己回帰的因果学生に蒸留し,転がり時間K/Vキャッシュと世界整合空間キャッシュの両方を維持した。
• 参考スコア（独自算出の注目度）: 86.51896616546308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present LidarVerse, a real-time unified LiDAR world model for sensor simulation across tasks and sensors. Existing LiDAR simulators largely follow one of two complementary paradigms: reconstruction-based methods preserve the geometry of a captured scene but require lengthy per-scene optimization, whereas generative methods amortize learning across data but lack the consistency needed for long-horizon rollouts. LidarVerse brings both paradigms into a single, unified conditional generative framework. A universal tokenizer maps LiDAR range sequences into a shared latent space, where a bidirectional teacher learns a common interface for conditioning on a LiDAR prefix, an HD-Map, a persistent spatial cache, and optionally, text. Varying the available scene evidence turns the same model into a generator of new worlds, a point-cloud forecaster, or a generalizable resimulator of observed scenes without per-scene optimization. We distill the teacher into a four-step autoregressive causal student and maintain both a rolling temporal K/V cache and a world-aligned spatial cache, enabling persistent long-horizon rollouts with real-time inference at 11 FPS on a single H100 GPU. LidarVerse achieves state-of-the-art performance on most reported metrics across all three evaluation protocols, while its tokenizer supports 32-, 64-, and 128-beam LiDAR and generalizes to an unseen scanning pattern. These results demonstrate that generative and reconstruction-grounded LiDAR simulation can be realized within one model, providing the core capabilities for future closed-loop sensor simulation.
• Abstract（参考訳）: We present LidarVerse, a real-time unified LiDAR world model for sensor simulation across task and sensor。 既存のLiDARシミュレータは、主に2つの相補的なパラダイムの1つである: 再構成に基づく手法は、キャプチャされたシーンの幾何学を保存するが、シーンごとの長い最適化を必要とする。 LidarVerseは両方のパラダイムを単一の統一された条件生成フレームワークに持ち込む。 ユニバーサルトークンライザは、LiDAR範囲のシーケンスを共有潜在空間にマッピングし、双方向の教師がLiDARプレフィックス、HDマップ、永続空間キャッシュ、オプションでテキストの条件付けのための共通インターフェースを学習する。 利用可能なシーンエビデンスのバリアリングは、同じモデルを新しい世界のジェネレータ、ポイントクラウド予測器、あるいはシーンごとの最適化なしに観察されたシーンの一般化可能なリシミュレータに変える。 我々は,教師を4段階の自己回帰的因果学生に蒸留し,時間的K/Vキャッシュと空間キャッシュの両方を維持し,H100 GPU上での11FPSのリアルタイム推論で長時間の長期ロールアウトを可能にする。 LidarVerseは3つの評価プロトコルすべてで報告されているほとんどのメトリクスの最先端のパフォーマンスを実現し、トークン化ツールは32-、64-、128-beamのLiDARをサポートし、目に見えないスキャンパターンに一般化する。 これらの結果から,1つのモデル内で生成および再構成されたLiDARシミュレーションが実現できることが示され,将来の閉ループセンサシミュレーションのコア機能を提供する。

関連論文リスト

• OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
  本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。 パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
  論文  参考訳（メタデータ） (2026-05-13T17:42:20Z)
• RELIC: Interactive Video World Model with Long-Horizon Memory [74.81433479334821]
  真のインタラクティブな世界モデルは、リアルタイムの長距離ストリーミング、一貫した空間記憶、正確なユーザ制御を必要とする。 この3つの課題を完全に解決する統合フレームワークであるRELICを紹介します。 単一の画像とテキスト記述が与えられた後、RELICは任意のシーンをリアルタイムにメモリを意識した長期探索を可能にする。
  論文  参考訳（メタデータ） (2025-12-03T18:29:20Z)
• LiSTAR: Ray-Centric World Models for 4D LiDAR Sequences in Autonomous Driving [8.465161411966761]
  LiSTARは、センサーのネイティブジオメトリを直接操作する、新しい生成的世界モデルである。 LiSTARはスパース時間データから複雑なダイナミクスをキャプチャする。 4次元LiDAR再構成、予測、条件生成におけるLiSTARの性能を検証する実験。
  論文  参考訳（メタデータ） (2025-11-20T05:11:22Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• Learning to Generate 4D LiDAR Sequences [28.411253849111755]
  本稿では,自由形式言語を編集可能なLiDARシーケンスに変換する統一フレームワークLiDARCrafterを提案する。 LiDARCrafterは最先端の忠実さ、コントロール可能性、時間的一貫性を実現し、LiDARベースのシミュレーションとデータ拡張の基礎を提供する。
  論文  参考訳（メタデータ） (2025-09-15T14:14:48Z)
• LiDARCrafter: Dynamic 4D World Modeling from LiDAR Sequences [28.411253849111755]
  LiDARCrafterは、4D LiDARの生成と編集のための統一されたフレームワークである。 あらゆるレベルの忠実さ、可制御性、時間的一貫性において、最先端のパフォーマンスを達成する。 コードとベンチマークはコミュニティにリリースされている。
  論文  参考訳（メタデータ） (2025-08-05T17:59:56Z)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
  我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。 既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。 我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T06:35:18Z)

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。