論文の概要: DriveWorld3D Evidence Constrained 3D World Modeling and Generative Simulation for Real-World Autonomous Driving

• arxiv url: http://arxiv.org/abs/2610.22450v1
• Date: Thu, 15 Oct 2026 15:48:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.598956
• Title: DriveWorld3D Evidence Constrained 3D World Modeling and Generative Simulation for Real-World Autonomous Driving
• Title（参考訳）: DriveWorld3D Evidence Constrainence Constrainence 3D World Modeling and Generative Simulation for Real-World autonomous Driving
• Abstract要約: DriveWorld3Dは、時間的ビデオ学習、複数のセンサーからの計測制約、オフライン生成シミュレーションを組み合わせたフレームワークである。 オンラインコンポーネントは、道路表面、体積占有、ダイナミックエンティティ、道路関係からなる統一された世界状態を維持し、物理的占有、観測可能性、証拠証明を別々に表現している。 オフラインコンポーネントは、ニューラル放射場または3次元ガウス散乱を用いて記録されたシーンを再構成し、生成モデルを用いて長いテール条件を拡張し、生成したコンテンツを幾何学的基底真理としての使用を制限する。
• 参考スコア（独自算出の注目度）: 32.4227025647786
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Three dimensional modeling for autonomous driving must continuously estimate road geometry, obstacle occupancy, traffic participant behavior, and observational uncertainty under limited computational resources. Existing reconstruction methods can synthesize realistic novel views, but visual fidelity does not sufficiently characterize the geometric reliability required for driving. Generative world models can expand scenarios and predict future observations, yet may introduce content unsupported by measurements. We propose DriveWorld3D, a framework combining temporal video learning, measurement constraints from multiple sensors, and offline generative simulation. Its online component maintains a unified world state comprising road surfaces, volumetric occupancy, dynamic entities, and road relations, while separately representing physical occupancy, observability, and evidence provenance. Action conditioned future prediction and risk sensitive planning connect this representation to driving decisions. Its offline component reconstructs recorded scenes using neural radiance fields or 3D Gaussian Splatting, then expands long tail conditions using generative models while restricting the use of generated content as geometric ground truth. We specify data partitioning, sensor ablations, fault injection, paired closed loop testing, and real to simulation consistency assessment. The central hypothesis is that explicit evidence management can reduce dangerous false free space predictions and occlusion risk within a matched computational budget while retaining acceptable driving efficiency. All performance claims remain subject to experimental validation. Keywords: autonomous driving; 3D occupancy; sensor fusion; uncertainty; generative world models; NeRF; 3D Gaussian Splatting; closed loop simulation
• Abstract（参考訳）: 自律運転のための3次元モデリングは, 限られた計算資源下での道路形状, 障害物占有度, 交通参加者の挙動, 観測的不確実性を連続的に推定する必要がある。 既存の再現手法は、現実的な新しいビューを合成することができるが、視覚的忠実さは、運転に必要な幾何学的信頼性を十分に特徴づけるものではない。 生成的世界モデルはシナリオを拡張し、将来の観測を予測できるが、測定によってコンテンツがサポートされない可能性がある。 本稿では,時間的ビデオ学習,複数センサからの計測制約,オフライン生成シミュレーションを組み合わせたDriveWorld3Dを提案する。 そのオンラインコンポーネントは、道路表面、体積占有、動的実体、道路関係からなる統一された世界状態を維持し、物理的占有、観測可能性、証拠証明を別々に表現している。 行動条件は将来の予測とリスクに敏感な計画であり、この表現と意思決定を結びつける。 オフラインコンポーネントは、記録されたシーンをニューラル放射場または3次元ガウス散乱を用いて再構成し、生成モデルを用いて長い尾の条件を拡張し、生成したコンテンツを幾何学的基底真理として使用することを制限する。 データパーティショニング、センサアブレーション、フォールトインジェクション、ペアドクローズドループテスト、および実時間とシミュレーションの整合性評価を指定する。 中心的な仮説は、明示的なエビデンス管理は、許容可能な運転効率を維持しながら、一致した計算予算内で危険な偽の空き空間予測と排他的リスクを低減できるというものである。 すべての性能クレームは実験的な検証の対象である。 キーワード:自律運転、3D占有、センサー融合、不確実性、生成世界モデル、NeRF、3Dガウススプラッティング、クローズドループシミュレーション

関連論文リスト

• CausalDrive: Real-time Causal World Models for Autonomous Driving [60.66609721457312]
  制御可能でリアルタイムなファンデーション駆動の世界であるCausalDriveを紹介します。 CaulDriveは、最初のフロントビューフレーム、エゴ車両の軌道、マクロテキストプロンプトのみで動作する。 本稿では,(1)衝突アーティファクトを著しく緩和した生成的クローズループ評価,(2)ビデオ2Rewardモジュールによる大規模強化学習(RL)後トレーニング,(3)リアルタイムの人間-イン-ザ・ループシミュレーション,の3つのダウンストリームアプリケーションにおける汎用性を実証する。
  論文  参考訳（メタデータ） (2026-06-13T15:04:44Z)
• Real2Sim: A Physics-driven and Editable Gaussian Splatting Framework for Autonomous Driving Scenes [4.759823735082845]
  Real2Sim は 4D Gaussian Splatting (4DGS) と差別化可能なMaterial Point Method (MPM) を結合した統合フレームワークである。 Real2Simは動的駆動シーンを時間的に連続したガウスプリミティブとして明示的に再構築し、インスタンスレベルの編集をサポートし、現実的なオブジェクトとオブジェクトと環境の相互作用をシミュレートする。 Openデータセットの実験では、Real2Simのレンダリング、再構築、編集、物理シミュレーションの能力を検証するとともに、認識、追跡、軌道予測、エンドツーエンドポリシー学習といった下流タスクでデータを生成するためのスケーラブルなツールとしての可能性を示している。
  論文  参考訳（メタデータ） (2026-05-13T14:26:25Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• DrivingGen: A Comprehensive Benchmark for Generative Video World Models in Autonomous Driving [49.11389494068169]
  我々は、生成駆動世界モデルのための最初の総合的なベンチマークであるDrivingGenを提示する。 DrivingGenは、駆動データセットとインターネットスケールのビデオソースの両方から収集されたさまざまな評価データセットを組み合わせる。 一般的なモデルは良く見えるが物理を破るが、運転に特化したものは現実的に動きを捉えているが、視界の質は遅れている。
  論文  参考訳（メタデータ） (2026-01-04T13:36:21Z)
• GeoDrive: 3D Geometry-Informed Driving World Model with Precise Action Control [50.67481583744243]
  実世界モデルにロバストな3次元形状条件を明示的に統合したGeoDriveを紹介する。 車両の位置を編集することでレンダリングを強化するため,トレーニング中の動的編集モジュールを提案する。 動作精度と空間認識の両面で既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-28T14:46:51Z)
• 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)
• DrivingSphere: Building a High-fidelity 4D World for Closed-loop Simulation [54.02069690134526]
  本研究では,現実的でクローズドループなシミュレーションフレームワークであるDrivingSphereを提案する。 その中核となる考え方は、4Dの世界表現を構築し、実生活と制御可能な運転シナリオを生成することである。 動的で現実的なシミュレーション環境を提供することで、DrivingSphereは自律運転アルゴリズムの包括的なテストと検証を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T03:00:33Z)

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。