インフラ中心のワールドモデル：路側知覚における時間的深さと空間的広がりの橋渡し

- 本論文は、路側システムに特化した世界モデル「Infrastructure-centric World Models (I-WM)」を提案するビジョン論文である。 - 既存の世界モデルは全て ego-vehicle 視点であり、インフラ視点は未探索であると指摘。 - 路側センサは時間的深さ（長期的な行動分布、稀な安全クリティカルイベント）に優れ、車載センサは空間的広がり（多様なシーン）に優れるという時空間相補性を主張。 - I-WM を3段階で構想：(I) 品質認識不確実性伝播を伴う生成シーン理解、(II) 物理情報に基づく予測ダイナミクスとマルチエージェント反事実推論、(III) V2X 通信のための潜在空間アライメントによる協調世界モデル。 - 二層アーキテクチャを提案：アノテーションフリー知覚をマルチモーダルデータエンジンとして end-to-end 生成世界モデルに供給。 - センサ戦略は LiDAR から 4D radar、信号位相データ、event camera へ段階的に移行。 - 運転世界モデルの分類法を確立し、I-WM を LeCun の JEPA、Li Fei-F…

- 既存の世界モデルは全て ego-vehicle 視点を採用しており、インフラ視点の世界モデルは存在しなかった。 - 本論文は路側システム独自の鳥瞰的・マルチセンサ・持続的視点を活かす点で根本的に相補的。 - 時空間相補性の概念を導入：固定路側センサの時間的深さと車載センサの空間的広がりを統合。 - 従来の運転世界モデル分類法を拡張し、I-WM を位置づけ。 - LeCun の JEPA、Li Fei-Fei の spatial intelligence、VLA アーキテクチャとの関係を明確化。 - Infrastructure VLA (I-VLA) を新規に提案し、路側知覚・言語・交通制御を統合する点が独創的。 - アノテーションフリー知覚をデータエンジンとして活用する二層アーキテクチャを提案。 - 段階的センサ戦略（LiDAR→4D radar→信号位相→event camera）を提示。

- 二層アーキテクチャ：下層はアノテーションフリー知覚をマルチモーダルデータエンジンとして機能。 - 上層は end-to-end 生成世界モデルで、下層から供給されるデータを基に環境進化をシミュレート。 - 第I段階：品質認識不確実性伝播を伴う生成シーン理解。 - 第II段階：物理情報に基づく予測ダイナミクスとマルチエージェント反事実推論。 - 第III段階：V2X 通信のための潜在空間アライメントによる協調世界モデル。 - センサ戦略：LiDAR から始め、4D radar、信号位相データ、event camera へ段階的に拡張。 - Infrastructure VLA (I-VLA)：路側知覚、言語コマンド、交通制御行動を統合する新規枠組み。 - 既存のマルチ LiDAR パイプラインを基盤とし、各段階のオープンソース基盤を特定。

- 要旨からは不明。本論文はビジョン論文であり、具体的な実験的検証については記述されていない。 - 既存のマルチ LiDAR パイプラインを基盤とすることに言及しているが、有効性の検証方法は明示されていない。

- 要旨からは不明。議論や限界についての具体的な記述はない。 - ただし、時空間相補性の主張や3段階のビジョン、分類法の確立などが議論の出発点として提示されている。

- LeCun の JEPA (Joint Embedding Predictive Architecture) - Li Fei-Fei の spatial intelligence - VLA (Vision-Language-Action) アーキテクチャ - 既存のマルチ LiDAR パイプライン - 運転世界モデルに関する既存研究（分類法で参照） - V2X 通信関連研究