Discrete-WAM: 世界モデルとポリシー学習のための統一離散ビジョン・アクショントークン編集

- 自動運転向けの統合的な離散vision-action world-policyフレームワーク。 - 視覚観測・将来状態・高レベル決定・ego actionを共有token空間で表現。 - world modeling、world-policy modeling、policy modelingをmulti-task・multi-stage pretrainingでjointly train。 - 下流planningでは階層的decision predictionと並列action-token editingに分解。

- 多くのend-to-end手法はstate-to-actionの直接模倣に依存。 - 既存world modelは下流policy生成との整合が弱い。 - 本手法は離散表現のalignmentと統合world-policy trainingで、action-conditioned future predictionをpolicy生成に直接活用。 - 制御可能なfuture generationやcounterfactual評価、surprise-based分析、効率的並列decodingを可能にする点が異なる。

- 視覚観測・将来状態・高レベル決定・ego actionを共有token空間に離散化。 - この離散alignment上でworld modeling、world-policy modeling、policy modelingをmulti-task・multi-stage pretrainingによりjointly train。 - 下流planningは階層的decision predictionと並列action-token editingに分解。 - decision tokenが高レベルplanning skeletonを提供し、confidence-based schedulingでdense future actionを効率的にrefine。

- 大規模自動運転benchmarkでplanning性能を評価。 - 制御可能なfuture generation、counterfactual evaluation、surprise-based world-model analysis、効率的並列policy decodingを実証。 - 具体的なbenchmark名や指標は要旨からは不明。

- 離散表現alignment、統合world-policy training、階層的token editingがphysical AIの有望な設計パラダイムになり得ると主張。 - 限界や失敗事例、計算コスト、スケーラビリティに関する議論は要旨からは不明。

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法としてend-to-end imitation learning、world model、vision-language-action model、token-based policy learning、autonomous driving planningの定番研究を挙げる。