論文の概要: Trajectory Evaluation via Rollout-Free World Model for End-to-end Autonomous Driving
- arxiv url: http://arxiv.org/abs/2611.05072v1
- Date: Tue, 03 Nov 2026 15:36:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 14:39:59.993291
- Title: Trajectory Evaluation via Rollout-Free World Model for End-to-end Autonomous Driving
- Title（参考訳）: エンド・ツー・エンドの自律運転のためのロールアウトフリーワールドモデルによる軌道評価
- Abstract要約: 提案手法は,各候補者の今後の展望を再構築する必要はなく,信頼性のある比較を行う上での今後の情報のみを必要とすると論じる。
本稿では,エンド・ツー・エンド軌道評価のためのロールアウト自由世界モデルRFWorldを提案する。
NAVSIMとBench2Driveの実験では、RFWorldはより計画的な世界表現を学び、最先端のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 27.26101195611129
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although existing candidate trajectory evaluators have substantially improved end-to-end planning accuracy, their underlying mechanism remains suboptimal. Model-based evaluators typically make scoring future-aware by explicitly predicting candidate-conditioned future states over the planning horizon, which we term rollout. However, rollout incurs high inference cost and accumulates prediction errors. We argue that planning does not require reconstructing a full future scene for each candidate, but only future-relevant information for reliable comparison. We therefore propose RFWorld, a Rollout-Free World model for end-to-end trajectory evaluation. RFWorld constructs a shared scene memory and shapes it into a future-readable representation via lightweight training-time temporal readout with semantic supervision, keeping training overhead low. At inference time, candidate trajectories directly query the shared memory via sparse spatial readout for scoring, reducing computation by roughly the planning horizon times the number of candidate trajectories, while avoiding recursive rollout errors. Experiments on NAVSIM and Bench2Drive show that RFWorld learns a more planning-aligned world representation and achieves state-of-the-art performance.
- Abstract（参考訳）: 既存の候補軌道評価器は、エンド・ツー・エンドの計画精度を大幅に改善したが、その基盤となるメカニズムは依然として最適である。
モデルベース評価器は、通常、ロールアウトと呼ばれる計画地平線上で、候補条件付き将来の状態を明示的に予測することで、将来の評価を行う。
しかし、ロールアウトは高い推論コストをもたらし、予測エラーを蓄積する。
提案手法は,各候補者の今後の展望を再構築する必要はなく,信頼性のある比較を行う上での今後の情報のみを必要とすると論じる。
そこで我々は,エンド・ツー・エンド軌道評価のためのロールアウト自由世界モデルRFWorldを提案する。
RFWorldは共有シーンメモリを構築して,ライトウェイトなトレーニングタイムの時間的読み出しを通じて,トレーニングオーバーヘッドを低く保ちながら,将来可読な表現に形成する。
推測時に、候補トラジェクトリは、スパース空間読み出しを介して共有メモリを直接クエリし、再帰的なロールアウトエラーを回避しつつ、計画地平線時間と候補トラジェクトリ数とを略して計算を削減する。
NAVSIMとBench2Driveの実験では、RFWorldはより計画的な世界表現を学び、最先端のパフォーマンスを達成する。
関連論文リスト
- SkipWorld: Latent Skip Planning with Distilled World Models for Efficient Visual Navigation [15.988708910882181]
そこで我々は,効率的な視覚ナビゲーションのための遅延スキップ計画フレームワークであるSkipWorldを提案する。
SkipWorld は平均 ATE を 4.2% 、 RPE を 2.7% 削減し、計画時間を 2.7 倍のスピードアップで62.4% 削減している。
RECON、HuRoN、SCAND、TartanDriveの実験では、NWMと比較して、SkipWorldは平均ATEを4.2%、RPEを2.7%削減し、計画時間を62.4%削減し、2.7倍のスピードアップを実現している。
論文 参考訳（メタデータ） (2026-10-13T10:44:59Z) - FutureWorlds: Learning Robotic World Models from Alternative Futures [63.860917821424955]
FutureWorldsは、候補構築、履歴の保守、相対的な品質からの学習を統合するフレームワークである。
マルチモーダルな離散自己回帰モデルに基づいて構築されたFutureWorldsは、強化学習中に多様なビームサーチを使用して、信頼性と多様性のバランスをとる候補となる未来を構築する。
論文 参考訳（メタデータ） (2026-10-01T04:04:31Z) - 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) - WOLF: World Model Guided LiDAR Exploration with Predictive Frontiers [57.192711741481425]
WOLFは、将来の観測を予測し、自律探査を強化する世界モデル誘導フレームワークである。
WOLFは、観測履歴と探索中の候補運動を組み合わせて、局所的占有率と可視性を予測する。
シミュレーションでは,ガレージにおけるEPICと比較して平均終端時間を10.9%削減する。
論文 参考訳（メタデータ） (2026-09-20T14:09:26Z) - Risk-Aware World Modeling with Flow-Guided Occupancy Evolution for Selective Trajectory Planning in Automated Driving [8.131595330708242]
RiskWorldは、共有占有率予測と選択軌道置換のためのリスク対応の世界モデリングフレームワークである。
1つの予測は計画ステップ毎に生成され、候補間で再利用される。
設定内アブレーションは、リスクワールドが現在のリスコリングベースラインよりも低い衝突率を達成することを示している。
論文 参考訳（メタデータ） (2026-09-16T10:32:37Z) - 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) - Map-World: Masked Action planning and Path-Integral World Model for Autonomous Driving [35.521279875146526]
Masked Action Planning (MAP)モジュールは、将来のエゴ運動をマスクされたシーケンス完了として扱う。
軽量世界モデルは、各候補軌道に条件付き将来のBEVセマンティクスをロールアウトする。
NAVSIMでは,提案手法はアンカーベースアプローチと一致し,最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-11-25T10:30:26Z) - End-to-End Driving with Online Trajectory Evaluation via BEV World Model [52.10633338584164]
本稿では,BEV Worldモデルを活用し,将来のBEV状態を予測するためのエンドツーエンド駆動フレームワークWoTEを提案する。
我々は,NAVSIMベンチマークとCARLAシミュレータに基づく閉ループBench2Driveベンチマークを用いて,最先端性能を実現する。
論文 参考訳（メタデータ） (2025-04-02T17:47:23Z) - Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? [84.17711168595311]
エンドツーエンドの自動運転は、フルスタックの観点から自律性を目標とする、有望な研究の方向性として浮上している。
比較的単純な駆動シナリオを特徴とするnuScenesデータセットは、エンド・ツー・エンド・モデルにおける知覚情報の未使用化につながる。
予測軌跡が道路に付着するかどうかを評価するための新しい指標を提案する。
論文 参考訳（メタデータ） (2023-12-05T11:32:31Z)
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。