論文の概要: EvoAD: Self-Evolving Autonomous Driving via Latent World-Model Guided Post-hoc Reflection
- arxiv url: http://arxiv.org/abs/2610.23886v1
- Date: Sat, 26 Sep 2026 15:11:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:54:47.880359
- Title: EvoAD: Self-Evolving Autonomous Driving via Latent World-Model Guided Post-hoc Reflection
- Title（参考訳）: EvoAD: 潜在世界モデルによる自己進化型自動運転
- Abstract要約: 本研究では,自己進化型自律走行フレームワークであるEvoADを提案する。
EvoADは、鳥の目視特徴記憶プールに運転体験を格納する。
幾何学的および意味的類似性に基づいてシーン関連の前例を検索し、潜在世界モデルを用いて、候補軌道の将来の結果を評価する。
- 参考スコア（独自算出の注目度）: 25.167046387845655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: End-to-end autonomous driving systems have achieved rapid progress by learning unified policies that map sensor observations directly to driving trajectories. However, once deployed, these systems typically remain frozen: they may repeat similar decisions in similar scenes, and failures can only be addressed through costly data collection and retraining. This sharply contrasts with human drivers, who improve lifelong through experience, memory, and reflection. In this work, we ask whether autonomous driving systems can achieve similar post-deployment self-evolution to human drivers. We propose EvoAD, a self-evolving autonomous driving framework via latent world-model guided post-hoc reflection. EvoAD stores driving experiences in a bird's-eye-view feature memory pool, retrieves scene-relevant precedents according to geometric and semantic similarity, and uses a latent world model to evaluate the future consequences of candidate trajectories in a compact planning-oriented space. Instead of treating memory as external textual contexts or using world models only for pre-action simulation, EvoAD transforms executed driving outcomes into reusable improvement signals for future decisions. This enables the system to diagnose how prior trajectories could have been improved and to refine behavior in similar future scenarios without retraining the base driving policy. Experiments on NAVSIM v1 and v2 show consistent improvements across reflection rounds and state-of-the-art performance, demonstrating the potential of world models as reflective mechanisms for post-deployment self-evolution in autonomous driving.
- Abstract（参考訳）: エンド・ツー・エンドの自動運転システムは、センサ観測を直接駆動軌道にマッピングする統一ポリシーを学習することで、急速な進歩を遂げている。
同様の決定を同じ場面で繰り返すことがあり、障害は高価なデータ収集と再トレーニングによってのみ対処できる。
これは、経験、記憶、反射を通じて寿命を改善する人間のドライバーと著しく対照的である。
本研究では、自動運転車が人間の運転者に対して同様のデプロイ後の自己進化を達成できるかどうかを問う。
本研究では,自己進化型自律走行フレームワークであるEvoADを提案する。
EvoADは、鳥の目視の特徴記憶プールに運転体験を格納し、幾何学的および意味的類似性に基づいてシーン関連の前例を検索し、潜在世界モデルを用いて、コンパクトな計画指向空間における候補軌道の将来の結果を評価する。
メモリを外部のテキストコンテキストとして扱う代わりに、プリアクションシミュレーションのためにだけワールドモデルを使用する代わりに、EvoADは実行された駆動結果から将来の決定のために再利用可能な改善信号に変換する。
これにより、システムは、以前の軌道がどのように改善されたのかを診断し、ベースドライビングポリシーを再訓練することなく、同様の将来のシナリオで振舞いを洗練できる。
NAVSIM v1とv2の実験では、リフレクションラウンドと最先端のパフォーマンスが一貫した改善を示し、世界モデルが自律運転における後自己進化の反射機構としての可能性を示している。
関連論文リスト
- Intend, Reflect, Refine: An Adaptive Multimodal Reflection Framework for Autonomous Driving [79.71689985927625]
自律運転のための適応型マルチモーダルリフレクションフレームワークであるIRR-Driveを提案する。
IRR-Driveは明らかにシーンの進化を予測し、モデルは厳密な自己修正と初期意図の洗練を可能にした。
提案手法はPDMSとNAVSIMSのベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2026-06-22T06:53:58Z) - EvoDrive: Pareto Evolution for Safety-Critical Autonomous Driving via Self-Improving LLM Agents [59.44069233970625]
既存の手法は通常、手工芸品でこのトレードオフを管理し、探索されていないパターンを見渡す。
本稿では,シナリオ生成のためのLLMベースのエージェント進化フレームワークであるEvoDriveを紹介する。
EvoDriveはシミュレーターによるアクター批判アーキテクチャを採用しており、メモリ駆動アクターはジェネレータの改善を反復的に提案し、批判者は不明瞭な候補をフィルタリングする。
論文 参考訳（メタデータ） (2026-06-02T14:01:23Z) - DeepSight: Long-Horizon World Modeling via Latent States Prediction for End-to-End Autonomous Driving [13.924469176668941]
本稿では,連続した将来のフレームに対する潜在意味的特徴の並列予測を行う駆動世界モデルを提案する。
また,新たな社会的知識と推論機能を活用する,効率的かつ適応的なテキスト推論機構も導入する。
本稿では, 閉ループBench2driveベンチマークにおいて, 最先端(SOTA)結果を実現する新しい, 効率的かつ効果的な手法を提案する。
論文 参考訳（メタデータ） (2026-05-11T13:36:51Z) - Future-Aware End-to-End Driving: Bidirectional Modeling of Trajectory Planning and Scene Evolution [96.25314747309811]
将来的なシーンの進化と軌道計画を共同でモデル化する,新たなエンドツーエンドフレームワークであるSeerDriveを紹介する。
本手法はまず,周辺環境の動態を予測するために,将来の鳥眼ビュー(BEV)の表現を予測する。
2つの重要な要素がこれを可能にする:(1)予測されたBEV機能を軌道プランナーに注入する将来対応計画、(2)反復的なシーンモデリングと車両計画。
論文 参考訳（メタデータ） (2025-10-13T07:41:47Z) - Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。
我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。
本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
論文 参考訳（メタデータ） (2025-09-24T13:35:15Z) - ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。
我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。
次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
論文 参考訳（メタデータ） (2025-06-09T03:14:04Z) - Natural Reflection Backdoor Attack on Vision Language Model for Autonomous Driving [55.96227460521096]
視覚言語モデル(VLM)は推論能力を高めるために自律運転システムに統合されている。
本稿では,自律運転シナリオにおけるVLMシステムを対象とした自然反射型バックドアアタックを提案する。
我々の発見は、自動運転の厳しいリアルタイム要求を生かした、新たなタイプの攻撃を発見しました。
論文 参考訳（メタデータ） (2025-05-09T20:28:17Z) - GenAD: Generative End-to-End Autonomous Driving [13.332272121018285]
GenADは、ジェネレーティブモデリング問題に自律運転を組み込むジェネレーティブフレームワークである。
本稿では,まず周囲のシーンをマップ対応のインスタンストークンに変換するインスタンス中心のシーントークン化手法を提案する。
次に、変動型オートエンコーダを用いて、軌道先行モデリングのための構造潜在空間における将来の軌道分布を学習する。
論文 参考訳（メタデータ） (2024-02-18T08:21:05Z)
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。