論文の概要: GuidedWAM: Training-Free Energy Guidance for World Action Models in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2611.07912v1
• Date: Thu, 05 Nov 2026 12:27:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.678556
• Title: GuidedWAM: Training-Free Energy Guidance for World Action Models in Autonomous Driving
• Title（参考訳）: GuidedWAM: 自律運転における世界行動モデルのためのトレーニングフリーエネルギーガイダンス
• Abstract要約: 自律運転のための世界行動モデル(WAM)は、訓練後の目標が固定された単一の生成ネットワークにおいて、運転ポリシーと視覚世界モデルとを結合する。 我々は,エネルギー誘導を一般的なメカニズムとして研究し,サンプリング時に凍結したWAMに駆動目標を注入するためのモデルに依存しないフレームワークである GuidedWAM を提示する。
• 参考スコア（独自算出の注目度）: 5.590623720010952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World action models (WAMs) for autonomous driving couple the driving policy and the visual world model in a single generative network whose objectives are fixed post-training. Conditioning on a new driving objective requires retraining. We study energy guidance as a general mechanism and present GuidedWAM, a model-agnostic framework for injecting driving objectives into frozen WAMs at sampling time. Our framework constructs each objective as differentiable energies on the sampler's intermediate clean-action estimate, which needs only forward access to the frozen model, and is stabilized by sampling-time guidance scheduling, per-energy normalization, and velocity-bounded correction. On the NAVSIM v2 hard-split, guidance improves all three frozen, publicly released WAMs by 1.8 to 3.6 EPDMS, averaged over three sampler seeds, and adds less than 10% to the sampling time per step. These results position energy guidance as a practical post-training control channel for WAMs.
• Abstract（参考訳）: 自律運転のための世界行動モデル(WAM)は、訓練後の目標が固定された単一の生成ネットワークにおいて、運転ポリシーと視覚世界モデルとを結合する。 新しい運転目標の条件付けには再訓練が必要である。 我々は,エネルギー誘導を一般的なメカニズムとして研究し,サンプリング時に凍結したWAMに駆動目標を注入するためのモデルに依存しないフレームワークである GuidedWAM を提示する。 本フレームワークは, 凍結モデルへの前方アクセスしか必要とせず, サンプリング時ガイダンススケジューリング, エネルギーごとの正規化, 速度境界補正によって安定化された, サンプルの中間クリーンアクション推定値に対して, それぞれの目的を微分可能エネルギーとして構成する。 NAVSIM v2のハードスプリットでは、3つの凍結されたWAMを1.8から3.6 EPDMSに改善し、3つのサンプルシードの平均値が1ステップあたりのサンプリング時間に10%以下となる。 これらの結果は、WAMの実践的な後制御チャネルとしてエネルギー誘導を位置づけている。

関連論文リスト

• Energy-Aware Path Following: Comparative Analysis of Reinforcement Learning and NMPC for Electric Vehicles [0.0]
  経路追従制御戦略は典型的には二目的最適化ジレンマに従い、スムーズな速度プロファイルを維持しながら基準経路からの偏差を最小限にする。 本研究では,Frenetフレームに基づく1つの運動車モデルに基づく4つのコントローラの比較分析を行う。 モデル予測制御(NMPC)、近似ポリシー最適化(PPO)、ゲインスケジューリングされたアッカーマン状態フィードバックベースライン(PID-SF)、およびスタンレー幾何学ベースラインを実装した。
  論文  参考訳（メタデータ） (2026-10-06T10:35:13Z)
• Mission Performance: Automatic and Adaptive Race Pace Progression for Autonomous Racing [1.919784000831939]
  完全自律型レーシングカー用に実装されたミッションパフォーマンスモジュールについて述べる。 この解の有効性は、完全に自律的なダララ・スーパーフォーミュラであるEAV-25でヤス・マリナ・サーキットで実証されている。
  論文  参考訳（メタデータ） (2026-09-10T23:41:50Z)
• Adaptive Cross-Modal Fusion with Sparse Attention for Pedestrian Crossing Intention Prediction [4.8915598762204135]
  ADAPT(Adaptive Domain-Aware Pedestrian Crossing Transformer)は、歩行者の横断意図を予測するための多モードフレームワークである。 ADAPTは、RGB画像、局所深度マップ、グローバルセマンティックマップ、グローバル深度マップを含む4つの整列された視覚モードを処理する。 JAADとPIEベンチマークデータセットの実験は、ADAPTが既存の最先端メソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-07-14T03:05:09Z)
• DriveAnchor: Progressive Anchor-based Flow Learning for Autonomous Driving Planning [6.848508447210393]
  DriveAnchorは、自動運転計画のためのフレームワークである。 構成可能なパイプラインにおいて、振る舞いの多様性、制御可能性、安全性を実現する。 近距離衝突速度を89%削減し、模倣精度を低下させることなく平均報酬を32%改善する。
  論文  参考訳（メタデータ） (2026-05-30T04:17:59Z)
• MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
  視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。 本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。 MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
  論文  参考訳（メタデータ） (2026-05-13T23:35:14Z)
• HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models [58.191567345416836]
  世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。 HarmoWAMは、予測と反応の制御を統一するために世界モデルを完全に活用し、一般的なトランジットと正確な操作を可能にする。 実世界の6つのロボットタスクにまたがる3つのトレーニング未確認テスト環境を構築し、背景、位置、オブジェクトの意味のバリエーションをカバーした。
  論文  参考訳（メタデータ） (2026-05-11T17:59:56Z)
• The Role of World Models in Shaping Autonomous Driving: A Comprehensive Survey [50.62538723793247]
  ドライビング・ワールド・モデル(DWM)は、ドライビング・プロセス中のシーンの進化を予測することに焦点を当てている。 DWM法は、自律運転システムが動的運転環境をよりよく知覚し、理解し、相互作用することを可能にする。
  論文  参考訳（メタデータ） (2025-02-14T18:43:15Z)
• DriveWorld: 4D Pre-trained Scene Understanding via World Models for Autonomous Driving [67.46481099962088]
  現在の視覚中心の事前訓練は、通常、2Dまたは3Dのプリテキストタスクに依存し、自律運転の時間的特性を4Dシーン理解タスクとして見落としている。 我々は,マルチカメラ駆動ビデオからテンポラリな方法で事前学習が可能なEmphcentricDriveWorldを紹介した。 DriveWorldは、さまざまな自動運転タスクに関する有望な結果を提供する。
  論文  参考訳（メタデータ） (2024-05-07T15:14:20Z)
• A Tricycle Model to Accurately Control an Autonomous Racecar with Locked Differential [71.53284767149685]
  自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。 本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
  論文  参考訳（メタデータ） (2023-12-22T16:29:55Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• An LSTM-Based Autonomous Driving Model Using Waymo Open Dataset [7.151393153761375]
  本稿では,短期記憶モデル(LSTM)を用いた自律走行モデルの動作を模倣する手法を提案する。 実験結果から,本モデルは動作予測においていくつかのモデルより優れることがわかった。
  論文  参考訳（メタデータ） (2020-02-14T05:28:15Z)

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。