DriveUniTok、運転ワールドモデル向けに外観・LiDAR深度・自車軌跡を統合

何が起きたか

arXiv掲載論文「DriveUniTok: A Unified Multimodal Tokenizer for Driving World-Action Models」は2026年10月26日、運転向けワールドアクションモデル用の統合マルチモーダルトークナイザーを提案した。DriveUniTokは外観、投影LiDAR深度、自車軌跡を単一のデコード可能な連続潜在表現に符号化する。論文によると、NAVSIMで分離ストリーム方式を上回る将来予測・計画性能を示し、強化学習後のDriveUniWAMはPDMS 91.54を達成した。

詳細

研究ではDriveUniTokを固定し、事前学習済み拡散モデルを適応させたDriveUniWAMが、将来の統合潜在表現を予測する。その潜在表現をトークナイザーで復号し、将来の外観、投影LiDAR深度、自車軌跡を出力する構成だ。 論文はNAVSIMで評価し、統合方式が分離ストリーム方式より将来予測と計画の性能に優れ、下流の計算コストも低かったと報告した。強化学習による後学習後のPDMSは91.54で、評価したWAMベース計画器の中で最高だったとしている。

Key Facts

本紙の見方

この研究の焦点は、ワールドモデルの予測能力そのものだけでなく、外観・幾何・自車運動をどの段階で一つの表現に束ねるかにある。論文は、既存手法がこれらを部分的または別々に扱うことを課題として挙げ、共通の潜在表現とデコーダーを設けた。したがって新規性は、複数モダリティを同時に扱うという一般論より、予測対象を統合潜在に置き、予測後に各モダリティへ戻す設計にある。 分離ストリーム方式との比較で、将来予測と計画の性能向上に加え、下流計算コストの低下も報告された点は、表現の統合がモデル評価の精度だけでなく、計画器へ接続する際の計算負荷にも関係しうることを示す。ただし、抄録から確認できるのはNAVSIMでの比較結果であり、計算コストの測定条件や、どの処理段階で差が生じたかは示されていない。統合表現が常に計算を減らすと一般化することはできない。 構成上、DriveUniTokは将来状態を予測するDriveUniWAMと、予測結果を外観・深度・軌跡に戻す復号器の間に位置する。予測と計画で使う内部表現を共有するため、別々の系列で生じるモダリティ間の不整合を抑えられる可能性がある一方、潜在表現が各出力に必要な情報をどこまで保持するかが実用上の論点となる。論文はNAVSIMで性能を報告しているが、実車での評価、異なる環境条件への汎化、失敗時の挙動や安全性については、提示された抄録からは判断できない。今後は、PDMS以外の評価指標、計算コストの内訳、各モダリティの予測誤差、実環境での検証結果を確認する必要がある。

なぜ重要か

論文は、外観・投影LiDAR深度・自車軌跡を個別に扱う方式と比べ、統合潜在表現を用いた方式がNAVSIMで将来予測・計画性能を高め、下流計算コストも低くしたと報告している。運転計画モデルの設計では、複数の出力を別々に予測する構成との比較が、性能と計算負荷の両面で重要になる。