論文の概要: ActWorld-JEPA: Action-Conditioned JEPA World Models Meet Latent Planning for End-to-End Autonomous Driving
- arxiv url: http://arxiv.org/abs/2611.16579v1
- Date: Thu, 12 Nov 2026 10:10:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.442077
- Title: ActWorld-JEPA: Action-Conditioned JEPA World Models Meet Latent Planning for End-to-End Autonomous Driving
- Title(参考訳): ActWorld-JEPA: Action-Conditioned JEPA World Models Meet Latent Planning for End-to-End autonomous Driving
- Abstract要約: 本稿では,ActWorld-JEPAについて紹介する。
この作業は、JEPAの予測表現から、予想される結果から判断を導き出す効果的なパスを提供する。
- 参考スコア(独自算出の注目度): 63.31965436952407
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Joint-Embedding Predictive Architectures (JEPAs) enable future prediction in latent space without pixel reconstruction. However, latent predictive consistency alone does not establish the relative driving quality of candidate plans. We present ActWorld-JEPA, a joint-embedding formulation for candidate-based driving. Where Plan-Conditioned JEPA (PC-JEPA) uses global and step-wise trajectory intentions to guide recurrent latent prediction, then combines the predicted future with the current scene through gated cross-attention; Relational Residual Reranking ($R^3$) models agreement and discrepancy between plan and future representations under planning supervision, yielding bounded, gated residual corrections to the base planning scores. This formulation connects latent prediction to candidate selection using only observed context and proposed trajectories at inference. Benchmark-specific implementations report 94.1 PDMS on NAVSIM v1 navtest, with the final selector calibrated using aggregate NAVTEST feedback, and 91.6 and 42.7 EPDMS on NAVSIM v2 navtest and navhard, respectively. The nuScenes evaluation reports a mean $L_2$ error of 1.20 m and a predicted collision rate of 0.76% over 1--6 s. This work provides an effective path from JEPA's predictive representations to driving decisions informed by anticipated consequences.
- Abstract(参考訳): JEPA(Joint-Embedding Predictive Architectures)は、ピクセル再構成なしで、潜在空間における将来の予測を可能にする。
しかし、潜在予測一貫性だけでは、候補計画の相対的な駆動品質は確立しない。
本稿では,ActWorld-JEPAについて紹介する。
Plan-Conditioned JEPA(PC-JEPA)は、グローバルかつステップワイドな軌道上の意図を用いて、反復的な遅延予測を導い、予測された未来を、有意な相互注意(R^3$)モデル合意(R^3$)を通じて現在の状況と組み合わせ、計画監督の下で計画と将来の表現の相違、境界付き、有意な、有意な残差修正を基本計画スコアに与えます。
この定式化は、観測された文脈と推論時の軌道のみを用いて、潜在予測と候補選択を結びつける。
ベンチマーク固有の実装では、NAVSIM v1 navtestで94.1 PDMS、最終的なセレクタはNAVTESTのフィードバックで調整され、NAVSIM v2 navtestとnavhardでは91.6と42.7 EPDMSがそれぞれ報告されている。
nuScenesの評価では、1~6秒で平均1.20mのL_2$エラーと0.76%の衝突率を報告している。
この作業は、JEPAの予測表現から、予想される結果から判断を導き出す効果的なパスを提供する。
関連論文リスト
- Action-Consequence Alignment for Reliable Planning and Self-Improving in Latent World Models [50.093046379641315]
学習された世界モデルが類似した行動結果対応を維持しているかどうかを検討する。
その結果、近くの代替手段は、記録された目標から遠く離れた物理的結果を生み出すにもかかわらず、より低い予測誤差を得られることが示された。
これらの結果は、予測学習と信頼性プランニングをブリッジする実践原則として、アクション・エフェクト・アライメントを支援する。
論文 参考訳(メタデータ) (2026-10-03T14:12:16Z) - D-JEPA: A Decision-Aligned Latent World Model [7.765598400147485]
決定整合型潜在世界モデルD-JEPAは、実行結果から候補者先物間の決定関連関係を学習する。
D-JEPAはJEPA互換の将来の表現における学習された決定構造を実現し、ネイティブな潜在距離計画によるデプロイメントを可能にしている。
論文 参考訳(メタデータ) (2026-09-21T15:17:32Z) - WA-JEPA: Rethinking the Video JEPA Paradigm for World-Action Modeling in Autonomous Driving [8.510409798128272]
本稿では、自律運転計画のためのVEPAネイティブな世界行動モデルWA-JEPAを提案する。
WA-JEPAは、モデルが観測された文脈から将来の潜伏者を推測する、ハイブリッド・フューチャー・マスク・プレトレーニングを採用している。
結果:WA-JEPAはNAVSIMで91.7Sに達し、最強のエンドツーエンドとワールドアクションベースラインを超えた。
論文 参考訳(メタデータ) (2026-08-21T10:54:35Z) - Temporal-Distance JEPA: Plan-Aware Representation Learning for Latent World Model Predictive Control [8.39933163242427]
JEPAsは、ピクセルを再構築するのではなく、表現空間で予測することで世界モデルを学ぶ。
以前のJEPAプランナーは、しばしば埋め込み幾何学(典型的には遅れたユークリッド距離)からランキングを継承する。
本稿では,LWMエンコーダのバックボーンを保持するテンポラルディスタンスJEPAを提案する。
論文 参考訳(メタデータ) (2026-07-28T06:38:16Z) - MoP-JEPA: Hard-Assigned Predictor Mixtures for Stochastic JEPA World Models [14.76812870029721]
MoP-JEPAは、有限個の候補セットを1つのパスで生成する。
ホールドアウトのOGBenchトランジションでは、単一出力予測器によるグラフ検索が0.02$--0.09$のクエリで成功し、MoP-JEPAは0.85$に達した。
論文 参考訳(メタデータ) (2026-07-06T15:47:37Z) - Joint Metrics Matter: A Better Standard for Trajectory Forecasting [67.1375677218281]
マルチモーダル・トラジェクトリ・予測法 : シングルエージェント・メトリクス(マージナル・メトリクス)を用いた評価
余分な指標にのみ注目することは、グループとして明確に一緒に歩いている人々のために、軌跡の衝突や軌跡のばらつきといった、不自然な予測につながる可能性がある。
本稿では,JADE,JFDE,衝突速度といったマルチエージェントメトリクス(ジョイントメトリクス)に関して,最先端トラジェクトリ予測手法の総合評価を行った。
論文 参考訳(メタデータ) (2023-05-10T16:27:55Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2020-06-04T03:56:11Z) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳(メタデータ) (2020-04-26T00:01:49Z) - PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。
本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
論文 参考訳(メタデータ) (2020-03-25T16:09:54Z)
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。