論文の概要: Plans Are Not Executions: Adapting Frozen World-Model Planners to Controller-Induced Execution Shift

• arxiv url: http://arxiv.org/abs/2610.22041v1
• Date: Thu, 15 Oct 2026 15:13:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.142901
• Title: Plans Are Not Executions: Adapting Frozen World-Model Planners to Controller-Induced Execution Shift
• Title（参考訳）: 凍結したワールドモデルプランナをコントローラによる実行シフトに適応させる
• Abstract要約: ExecutionBridgeは、計画的に実行された軌道対からコントローラ固有の実行特性を推論する。 NAVSIMでは、ExecutionBridgeは、目に見えないコントローラ構成と複数のフリーズワールドモデルプランナ間のプランニングを一貫して改善している。
• 参考スコア（独自算出の注目度）: 11.514437810429909
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World-model planners evaluate candidate trajectories by predicting their future consequences, implicitly relying on the plan-to-motion relationship learned during training. At deployment, a different downstream controller may execute the same planned trajectory differently, creating a planning-execution gap between the frozen model's imagined future and actual execution. A natural remedy is to replace the planned trajectory with its predicted or observed execution. However, we find that better execution fidelity does not necessarily yield better decisions: directly substituting predicted execution trajectories yields only a 0.048 PDMS improvement across 10 unseen controller configurations, far smaller than the gain from our proposed adaptation. This suggests a semantic mismatch between a planned trajectory, which serves as a reference for downstream control, and an executed trajectory, which already describes the resulting post-controller motion. We introduce ExecutionBridge, which infers controller-specific execution characteristics from planned-executed trajectory pairs and uses them to adapt the native ego latent rollout while keeping the original planned trajectory unchanged. The planner, world model, and reward head remain frozen. On NAVSIM, ExecutionBridge consistently improves planning across unseen controller configurations and multiple frozen world-model planners, with substantially larger gains in challenging driving scenes where execution mismatch more strongly affects candidate evaluation.
• Abstract（参考訳）: 世界モデルプランナーは、将来の結果を予測し、トレーニング中に学んだ計画と運動の関係を暗黙的に頼りにすることで、候補者の軌道を評価する。 デプロイ時には、異なるダウンストリームコントローラが同じ計画された軌跡を別々に実行し、凍結したモデルが想像する未来と実際の実行の間にプランニングと実行のギャップを生じさせる。 自然な治療法は、計画された軌道を予測または観測された実行に置き換えることである。 しかし, 予測された実行軌跡を直接置換すると, 10個の未確認コントローラ構成に対して0.048 PDMSの改善しか得られず, 提案した適用結果よりもはるかに小さい。 これは、下流制御の参照として機能する計画された軌跡と、制御後の動作をすでに記述している実行された軌跡とのセマンティックなミスマッチを示唆している。 提案するExecutionBridgeは,提案したトラジェクトリペアからコントローラ固有の実行特性を推論し,元のトラジェクトリを変更せずにネイティブエゴラテントロールアウトに適応させる。 プランナー、ワールドモデル、そして報酬の頭は凍りついたままです。 NAVSIMでは、ExecutionBridgeは、目に見えないコントローラ構成と複数の凍結したワールドモデルプランナ間のプランニングを一貫して改善し、実行ミスマッチが候補評価に強く影響する、挑戦的な実行シーンにおいて大幅に向上する。

関連論文リスト

• World4Scorer: Outcome-Grounded World Modeling for Autonomous Driving [20.722649798469224]
  軌道条件付きJEPA型予測器としてスコアラーを構築するWorld4Scorerを紹介する。 World4Scorerは、最先端のNAVSIM-v2性能を実現し、クローズループのBench2Drive上での強力な適応システムを実現している。
  論文  参考訳（メタデータ） (2026-09-29T00:55:12Z)
• Dynamic Evaluation of Classical and Control-Aware Optimal Trajectory Planning in Robot Manipulators [0.0]
  軌道計画は、ロボットマニピュレータのトラッキング精度、アクチュエータ要求、および全体的な実行行動に影響を与える。 立方体、クインティック、および台形形状のような古典的なプランナーは、その単純さと滑らかさのために広く使われている。 本稿では,マニピュレータのダイナミクスとアクチュエータの取り組みを明示的に組み込んだ制御対応最適軌道計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-06T18:26:48Z)
• ACID: Action Consistency via Inverse Dynamics for Planning with World Models [42.33354357727536]
  ACIDは、サイクルアクションの一貫性を導入する意思決定時計画フレームワークである。 プランニングを一貫して改善し、ベースラインの精度とほぼ少ないプランニング計算とを一致させる。
  論文  参考訳（メタデータ） (2026-07-02T16:38:10Z)
• Test-Time Trajectory Optimization for Autonomous Driving [77.87162309994567]
  自動運転のためのエンド・ツー・エンドのプランナーは、通常、一連の候補軌跡を生成し、それぞれをスコアし、最高スコアの候補を返す。 我々は、スコアラを学習軌跡レベルの報酬関数として扱い、それを最大化する軌跡を探索する。 提案手法であるTOAD(Cross-Entropy Method:クロスエントロピー法)をテスト時に実行し,プランナーの提案からウォームスタートする。
  論文  参考訳（メタデータ） (2026-06-05T11:39:27Z)
• CorrectionPlanner: Self-Correction Planner with Reinforcement Learning in Autonomous Driving [55.88697462014118]
  CorrectionPlannerは自己補正を備えた自動回帰プランナーである。 Waymaxでは衝突率を20%以上削減し、nuPlanでは最先端の計画スコアを達成している。
  論文  参考訳（メタデータ） (2026-03-16T18:03:21Z)
• Improving Diffusion Planners by Self-Supervised Action Gating with Energies [31.430422680816907]
  遅延整合性信号を用いて動的に不整合プランをペナライズする自己教師行動ゲーティング(SAGE)を提案する。 SAGEは、オフライン状態シーケンスにJEPAエンコーダと、短地平線遷移のための動作条件付き潜在予測器をトレーニングする。 テスト時に、SAGEは各サンプル候補に潜伏予測誤差によって与えられるエネルギを割り当て、この実現可能性スコアと値推定を組み合わせて選択アクションを選択する。
  論文  参考訳（メタデータ） (2026-03-03T06:36:16Z)
• 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)
• Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
  本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。 Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-05-23T09:22:19Z)

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。