DriveDreamer-Policy、幾何学的接地を備えた統合駆動ワールドアクションモデルを発表

何が起きたか

2026年4月2日、arxiv.orgに公開された論文で、DriveDreamer-Policyという駆動用ワールドアクションモデルが提案された。このモデルは、深度生成、未来ビデオ生成、動作計画を単一のモジュール型アーキテクチャに統合し、幾何学的接地を備えた世界表現を学習する。実験では、Navsim v1で89.2 PDMS、Navsim v2で88.7 EPDMSを達成し、既存のワールドモデルベース手法を上回った。

詳細

DriveDreamer-Policyは、大規模言語モデル（LLM）を用いて言語命令、マルチビュー画像、行動を処理し、その後、深度、未来ビデオ、行動を生成する3つの軽量ジェネレータを備える。幾何学を意識した世界表現を学習し、それを将来予測と計画の両方に活用することで、より一貫した想像未来とより情報に基づいた運転行動を生成する。モジュール性と制御可能なレイテンシを維持する。実験はNavsim v1およびv2ベンチマークで実施され、閉ループ計画と世界生成の両タスクで強い性能を示した。アブレーション研究では、明示的な深度学習がビデオ想像に補完的な利点をもたらし、計画の堅牢性を向上させることが示された。

Key Facts

本紙の見方

今回の発表は、自動運転における世界モデルと行動計画の統合という流れの中で、幾何学的接地に焦点を当てた点で新規性がある。従来のワールドアクションモデル（WAM）は2次元の外観や潜在表現のモデリングに重点を置くことが多く、物理世界で動作するシステムにとって重要な幾何学的接地が不足していた。DriveDreamer-Policyは、深度生成を明示的に組み込むことで、このギャップを埋めようとするものであり、既定路線の延長線上にあるが、幾何学的情報を世界表現に統合する点で一歩進んだアプローチと言える。 本紙の過去報道との接続は、関連記事が提供されていないため直接的な言及は避けるが、自動運転AIの分野では、視覚言語行動モデル（VLA）と世界モデルの融合が進んでおり、今回の研究はその流れを汲むものと位置づけられる。特に、計画性能の指標であるPDMSやEPDMSで高い数値を達成したことは、実世界での応用可能性を示唆するが、ベンチマーク上の結果であり、実車での検証は今後の課題である。 業界構造への含意としては、自動運転システムの開発において、シミュレーション環境での性能向上が重要視される中、世界モデルベースのアプローチが競争力を高める可能性がある。特に、幾何学的接地を組み込むことで、より現実的な将来予測が可能になり、安全性や信頼性の向上につながる可能性がある。また、モジュール型アーキテクチャは、異なるコンポーネントの交換やアップグレードを容易にし、開発の柔軟性を高める。 未確定の論点としては、ベンチマークでの性能が実際の運転環境でどの程度発揮されるか、また、計算コストやレイテンシが実用レベルにあるかどうかが焦点になる。さらに、深度情報の品質が計画性能に与える影響や、異なるセンサー構成でのロバスト性も検証が必要である。今後の研究では、実車実験やより多様なシナリオでの評価が求められる。

なぜ重要か

この研究は、自動運転AIにおける世界モデルと行動計画の統合に幾何学的接地をもたらすものであり、より安全で信頼性の高い自動運転システムの実現に寄与する可能性がある。ベンチマークでの高い性能は、今後の自動運転技術の開発方向性を示す一つの指標となる。