GeoWM、明示的な3D幾何を直接予測する世界モデルを提案

何が起きたか

arxiv.orgは2026-10-05、GeoWM: Efficient Direct World Modeling in Explicit Geometryを公開した。GeoWMは、観測したRGBフレームを幾何の履歴に変換し、指定した将来時点のシーン幾何を直接予測する世界モデルである。 従来のように未来画像や潜在表現を反復的に展開して幾何を復元するのではなく、camera-motion predictorと幾何学的な事前情報を組み合わせて将来の3D幾何を推定する。

詳細

GeoWMの中核は、geometry foundation modelでRGBフレームを幾何履歴に変換し、それを条件にflow-matching transformerが将来の幾何を出力する構成である。さらに、軽量なcamera-motion predictorで将来視点を推定し、観測済み幾何をその視点に投影した情報を未来予測のpriorとして用いる。 著者らは、都市部の運転、航空飛行、動的マニピュレーションを含む4つのデータセットで評価し、深度、camera pose、3D scene geometryの予測で既存のworld modelsを上回り、長い予測ホライズンで推論時間を大きく抑えたとしている。

Key Facts

本紙の見方

GeoWMの新しさは、世界モデルを「画像や潜在表現を先に予測し、そこから幾何を戻す」方式から、「明示的な3D幾何を指定時点で直接出す」方式へ寄せた点にある。これは単なる精度改善というより、予測対象を幾何構造そのものに置き直した設計変更である。一方で、geometry foundation model、flow-matching transformer、camera-motion predictorを組み合わせる構成自体は、既存の表現学習や条件付き生成の延長線上にある。つまり、アーキテクチャは新規でも、入力のRGBから将来の幾何へつなぐ発想は自律走行やロボティクスで以前から求められてきた課題の整理といえる。 公開情報の文脈では、世界モデルは自動運転のシミュレーション、ロボットの先読み制御、経路計画のための表現として位置づけられてきたが、実運用では長ホライズンになるほど誤差蓄積が問題になる。GeoWMが再帰的ロールアウトを避ける設計を取ったのは、その弱点に正面から応えたものと読める。ただし、論文要旨だけでは計算量、モデル規模、学習データ量、実システムでのレイテンシは見えない。したがって、従来法より速いという主張は、少なくとも長ホライズン評価での比較として受け止めるべきである。 今後確認すべき点は3つある。第1に、4データセット間でどこまで汎化するか。第2に、camera-motion predictorの誤差が未来幾何の精度にどう波及するか。第3に、推論時間の短縮が、モデル規模や入力解像度を変えずに実システムへ移植できる水準かどうかである。

なぜ重要か

GeoWMは、深度・camera pose・3D scene geometryを同時に扱うため、自動運転やロボティクスで必要な空間理解を、画像予測より直接的に扱う方向を示した。著者らは4つのデータセットで既存world modelsを上回ったとしており、長い予測ホライズンでの誤差蓄積を抑えられるなら、計画系の前提になる幾何推定の使い方が変わる可能性がある。

日本への影響

日本企業や研究機関にとっては、自動運転、移動ロボット、マニピュレーションで使う3D認識の学習・評価設計に関係する。ただし、論文要旨には学習データや実装条件の詳細がないため、国内の車載・ロボティクス用途へそのまま適用できるかは、精度だけでなく計算負荷と入出力仕様の確認が必要である。