DriveWLA、世界・言語・行動を統合する自動運転モデルを提案　NAVSIM v1で92.3 PDMS

何が起きたか

arxiv.orgは2026-10-13、DriveWLAという自動運転向けの統一型World-Language-Actionモデルを公開した。モデルはMixture-of-Transformersを基盤に、World Expert、Language Expert、Action Expertの3つの専門家で未来予測、意味理解、軌道生成を分担する構成である。論文は、Cross-Expert AttentionとFlow-GRPO強化学習による後段学習を組み合わせ、開ループと閉ループの評価で性能向上を示したとしている。

詳細

論文によると、DriveWLAはセマンティック理解と将来のシーン動態、軌道生成を同時に扱う設計で、専門家間の情報流を制御するCross-Expert Attentionを導入した。Action Expertには、模倣学習だけではなくFlow-GRPO reinforcement learning post-trainingを適用して軌道生成を洗練させたとしている。 評価では、DriveWLAはNAVSIM v1で92.3 PDMS、NAVSIM v2で90.1 EPDMSを達成した。また、特定のファインチューニングを行わずにHUGSIM、nuScenes、Bench2Driveへゼロショット一般化を示したとしている。

Key Facts

本紙の見方

DriveWLAの新規性は、単一の大規模モデルで世界モデル、言語理解、行動生成をまとめた点にある。自動運転では、周囲の意味を読むことと、未来のシーン変化を予測することと、実際の軌道を出すことは別工程として扱われがちだが、本論文はそれをMixture-of-Transformersと3専門家で束ねた。ここで重要なのは、性能指標の高さそのものより、何を同じ表現空間に載せようとしているかである。Cross-Expert Attentionは、その統合を単なる並列配置にせず、専門家間の情報の出入りを制御する仕組みとして位置づけられている。 本紙の見方では、これは既存のVLMや世界モデルの延長線上にある一方で、軌道生成までを含めて統一した点が分岐点である。従来は、意味理解が強いモデルと、未来予測が強いモデルと、計画を出すモデルが別々に組まれることが多かったが、DriveWLAはその分割を弱めている。Flow-GRPOによる後段学習も、模倣学習中心の計画器から一段進めて、行動出力を直接磨く意図を示す。したがって、論文の焦点は「どのモジュールが勝ったか」ではなく、「統合したときにどこまで壊れずに動くか」にあるとみられる。 業界構造への含意としては、評価の軸がオープンループとクローズドループの両方にまたがっている点が大きい。HUGSIM、nuScenes、Bench2Driveへのゼロショット一般化が示されたことで、特定ベンチマークに合わせた局所最適だけでは説明しにくい枠組みを志向していると読める。ただし、論文からは実車への適用条件、計算資源、学習データの範囲、各専門家の寄与率までは読み取れない。NAVSIM v1とv2のスコア差も含め、どの入力条件で性能がどこまで維持されるのかが次の確認点になる。

なぜ重要か

自動運転の研究開発では、意味理解・未来予測・経路生成を別々に最適化しただけでは、実走行を見据えた整合性を確保しにくい。DriveWLAは、論文上その3要素を1つの枠組みにまとめ、NAVSIM v1の92.3 PDMSとNAVSIM v2の90.1 EPDMSを示したため、統合設計の有効性を論じる材料になる。

日本への影響

日本では、自動運転の評価環境やシミュレーション基盤、走行データの整備が論点になりやすい。DriveWLAがHUGSIM、nuScenes、Bench2Driveへのゼロショット一般化を示したことは、個別ベンチマーク向け調整よりも、評価系と学習系をまたぐ統合設計が重要になる可能性を示す。