日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

自動運転arXiv:2605.10564

DeepSight: 潜在状態予測による長期的世界モデリングを用いたエンドツーエンド自動運転

DeepSight: Long-Horizon World Modeling via Latent States Prediction for End-to-End Autonomous Driving

シェア:XThreadsFacebookLINEはてブBluesky

自動運転のための世界モデルを提案し、BEV空間で将来フレームの潜在意味特徴を並列予測することで長期的な状態予測を行い、さらに適応的なテキスト推論で長尾シナリオの性能を向上させ、閉ループベンチマークでSOTAを達成した。

詳しい要約

1. どんなもの?

- 提案手法: DeepSight - 目的: 自動運転のための長期的な世界モデリング - 特徴: VLMアーキテクチャを統合し、視覚推論とテキスト推論を活用 - 手法: BEV空間で連続する未来フレームの潜在意味特徴を並列予測 - 効果: 長期的な未来世界状態のモデリングを可能に - 追加: 効率的で適応的なテキスト推論機構を導入 - 結果: 閉ループベンチマークBench2driveでSOTAを達成 - コード: 公開済み

2. 先行研究と比べてどこがすごい?

- 先行研究: VLMを統合したend-to-end自動運転システムが増加 - 問題点: 推論機構が一般領域からの直接適応で、自動運転に特化した探索が不足 - 特に視覚推論モジュールにおいて顕著 - 提案手法: 自動運転シナリオに特化した世界モデルとテキスト推論機構を設計 - 優位性: 長期的な未来状態のモデリングと長尾シナリオへの対応を実現 - 結果: Bench2driveでSOTAを達成し、先行研究を上回る性能

3. 技術・手法の肝は?

- 世界モデル: BEV空間で連続する未来フレームの潜在意味特徴を並列予測 - これにより長期的な未来世界状態のモデリングを実現 - テキスト推論機構: 効率的で適応的 - 追加の社会的知識と推論能力を活用 - 目的: 困難な長尾シナリオでの運転性能を向上 - 統合: VLMアーキテクチャに組み込み、視覚推論とテキスト推論を連携

4. どうやって有効だと検証した?

- ベンチマーク: 閉ループのBench2driveを使用 - 結果: 提案手法がSOTAを達成 - 検証内容: 長期的な世界モデリングとテキスト推論機構の有効性を実証 - 詳細な実験設定や比較手法は要旨からは不明

5. 議論はある?

- 議論点: 自動運転に特化した推論機構の必要性 - 一般領域からの直接適応の限界を指摘 - 特に視覚推論モジュールの探索不足 - 提案手法の有効性は示されたが、限界や課題は要旨からは不明 - 長尾シナリオへの対応が強調されているが、具体的な議論は要旨からは不明

6. 次に読むべき論文は?

- 関連研究: VLMを統合したend-to-end自動運転システム - 具体的な論文名は要旨に記載なし - 比較対象: Bench2driveベンチマークの先行手法 - 関連手法: 世界モデル、BEV表現、テキスト推論 - 次に読むべき: Bench2driveで評価された他のSOTA手法や、VLMを自動運転に適用した研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Lingjun Zhang, Changjie Wu, Linzhe Shi, Jiangyang Li, Jiaxin Liu, Lei Yang, Hang Zhang, Mu Xu, Hong Wang

分類: cs.CV, cs.RO

原文アブストラクト

End-to-end autonomous driving systems are increasingly integrating Vision-Language Model (VLM) architectures, incorporating text reasoning or visual reasoning to enhance the robustness and accuracy of driving decisions. However, the reasoning mechanisms employed in most methods are direct adaptations from general domains, lacking in-depth exploration tailored to autonomous driving scenarios, particularly within visual reasoning modules. In this paper, we propose a driving world model that performs parallel prediction of latent semantic features for consecutive future frames in the bird's-eye-view (BEV) space, thereby enabling long-horizon modeling of future world states. We also introduce an efficient and adaptive text reasoning mechanism that utilizes additional social knowledge and reasoning capabilities to further improve driving performance in challenging long-tail scenarios. We present a novel, efficient, and effective approach that achieves state-of-the-art (SOTA) results on the closed-loop Bench2drive benchmark. Codes are available at: https://github.com/hotdogcheesewhite/DeepSight.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI