運転世界モデル2026/9/27arXiv:2609.33264

VehDyn: 車両ダイナミクス評価のための運転世界モデルベンチマーク

VehDyn: A Driving World Model Benchmark for Vehicle Dynamics

CARLAとCarSimを連携させたデータセットを構築し、生成された運転動画が車両の運動学・動力学にどれだけ従っているかを階層的に評価するベンチマークを提案した。

詳しい要約

1. どんなもの？

- 自動運転向け video world model の評価 benchmark『VehDyn』を提案。 - 生成された運転未来が現実の vehicle kinematics/dynamics に従うかを測る。 - CARLA-CarSim co-simulation 上に構築。 - 5 vehicle types、4 tire-road friction coefficients、3 maneuvers、4 target speeds、14 scenes、3 illuminations の full factorial で 10,080 configurations。 - 各 configuration に同期した position/velocity/attitude 列を付与。 - 12 の state-of-the-art video world model を benchmark。

2. 先行研究と比べてどこがすごい？

- 既存 benchmark は visual fidelity と粗い physical plausibility を主に評価。 - 生成された運転未来が現実の vehicle kinematics/dynamics に従うかの証拠は限定的だった。 - vehicle/road/maneuver/speed 条件を独立制御し、ground-truth vehicle states を video と同期記録した dataset が欠如。 - VehDyn はこれらを満たす初の driving world model benchmark と位置づけ。

3. 技術・手法の肝は？

- CARLA-CarSim co-simulation で photorealistic rendering と validated multi-body dynamics model を結合。 - full factorial design で 10,080 configurations を生成。 - 各 configuration に同期した position/velocity/attitude 列を付与。 - hierarchical evaluation framework を導入。 - trajectory alignment - kinematic consistency - dynamic consistency - 12 の video world model を評価し、2 つの既存 video quality protocol と VehDyn score の相関も分析。

4. どうやって有効だと検証した？

- 12 の state-of-the-art video world model を VehDyn で benchmark。 - trajectory-level metrics はほぼ飽和: 12 中 10 model が ground truth の 20% 以内。 - dynamic consistency では ground truth の 92% に達する model は無し。 - visual-quality metrics と vehicle-dynamics fidelity の相関は弱い。 - DrivingWorld が最高 VehDyn score、次いで Cosmos 3 Nano、LTX-Video 2.5。 - VehDyn score は human judgment と密接に一致。

5. 議論はある？

- trajectory-level metrics は飽和しており、より細かい dynamics 評価の必要性を示唆。 - dynamic consistency は未達で、物理的に整合する driving world model 開発の余地が大きい。 - visual quality と vehicle-dynamics fidelity の相関が弱く、見た目だけでは物理妥当性を保証できない。 - VehDyn score は human judgment と一致し、評価指標としての妥当性を支持。 - 限界や今後の課題の詳細は要旨からは不明。

6. 次に読むべき論文は？

- DrivingWorld - Cosmos 3 Nano - LTX-Video 2.5 - CARLA - CarSim - その他 benchmark された state-of-the-art video world model 群

※ 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: Tianyi Wang, Wangsheng Du, Jiazhou Chen, Tianyi Zeng, Xiangyu Li, Jiseop Byeon, Yujin Wang, Yiming Xu, Yangyang Wang, Bingzhao Gao, Sikai Chen, Zhaomiao Guo, Junfeng Jiao, Christian Claudel, Alexandre Bayen

分類: cs.CV, cs.AI, cs.ET, cs.RO

原文アブストラクト

Video world models are emerging as data engines, action planners, and generative simulators for autonomous driving, but existing benchmarks primarily assess visual fidelity and coarse physical plausibility, providing limited evidence on whether generated driving futures obey realistic vehicle kinematics and dynamics. This limitation is further compounded by the lack of datasets in which vehicle, road, maneuver, and speed conditions are independently controlled, and ground-truth vehicle states are recorded in synchrony with videos. We introduce VehDyn, a driving world model benchmark for vehicle dynamics. VehDyn is built on a CARLA-CarSim co-simulation platform where photorealistic rendering is coupled with a validated multi-body dynamics model, and it contains 10,080 configurations from a full factorial design over five vehicle types, four tire-road friction coefficients, three maneuvers, four target speeds, 14 scenes, and three illuminations, each paired with synchronized position, velocity, and attitude sequences. Built on this dataset, VehDyn introduces a hierarchical evaluation framework that measures trajectory alignment, kinematic consistency, and dynamic consistency, and benchmarks 12 state-of-the-art video world models. We further assess the video quality using two established protocols and correlate it with the VehDyn score. Trajectory-level metrics are nearly saturated, with ten of twelve models within 20\% of ground truth, while no model reaches 92\% of ground truth on dynamic consistency, and visual-quality metrics are only weakly correlated with vehicle-dynamics fidelity. DrivingWorld achieves the highest VehDyn score, followed by Cosmos 3 Nano and LTX-Video 2.5, and the VehDyn score agrees closely with human judgment. VehDyn provides a systematic foundation for developing driving world models that are physically consistent and visually realistic.

arXivで原文を読む →arXiv概要ページ

← 論文一覧