周囲6カメラ対応の世界行動モデル「SV-WAM」、自動運転の閉ループ評価で最高性能

何が起きたか

研究チームは2026年9月3日、周囲6カメラの映像を入力とする世界行動モデル「SV-WAM」を発表した。従来の運転用世界モデルは推論時の映像生成に計算コストがかかるため、多くが単一の前方カメラのみを入力としていたが、SV-WAMは6カメラの全周囲観測を維持しつつ、推論時は映像生成を省略して行動予測のみで計画を行う。閉ループ評価のNAVSIMv2と開ループ評価のnuScenesで、計画性能が従来手法を上回ったとしている。

詳細

SV-WAMは、将来映像の予測を推論時の出力ではなく、行動学習のための密な教師信号として共有生成モデル内で利用する。中核となるのは「行動中心の因果マスク」で、行動トークンが将来映像トークンに注意を向けないようにし、行動と映像の同時デノイジングを可能にする。これにより、デプロイ時には映像ブランチを破棄でき、行動のみの効率的な計画が可能になる。さらに、車両のフットプリント角が走行可能境界に近づいたり横切ったりすることをペナルティする微分可能な走行可能領域コンプライアンス正則化子を導入し、計画の安全性と境界認識を向上させている。

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の設計思想に一石を投じるものだ。従来の世界モデルは、将来の映像を生成することでシーンのダイナミクスを予測し、その予測を行動計画に活用する。しかし、映像生成は推論時の計算負荷が大きく、実車搭載を考えた場合にボトルネックとなる。そのため、多くの研究は単一の前方カメラに限定して入力を削減することで効率化を図ってきた。だが、車線変更や合流、右左折といった安全上重要な場面では、前方だけの視野では周囲の状況把握が不十分で、空間的なカバレッジが制限されるという問題があった。 SV-WAMはこのトレードオフを、映像生成を推論時ではなく学習時のみに用いるという発想で解決しようとしている。つまり、映像予測を行動学習のための密な教師信号として使い、推論時には映像ブランチを捨てて行動のみを出力する。これは、世界モデルを「推論時に映像を生成するモデル」から「映像生成を学習に活用する行動モデル」へと位置づけを変えるもので、計算資源の制約が厳しい実車環境への展開を強く意識した設計と言える。 技術的な要点は、行動中心の因果マスクと走行可能領域コンプライアンス正則化子の2点だ。因果マスクは、行動トークンと映像トークンの同時デノイジングを可能にしつつ、行動トークンが将来の映像情報に依存しないようにする。これにより、学習時は映像情報を活用しながら、推論時には映像なしで行動を生成できる。一方、走行可能領域コンプライアンス正則化子は、車両のフットプリントが走行可能領域の境界を越えないようにペナルティを与えるもので、計画の安全性を直接的に高める工夫だ。 業界構造への含意としては、このアプローチが自動運転のセンサー構成と計算基盤の両方に影響を与える可能性がある。6カメラの全周囲入力を維持しながら推論コストを抑えられるなら、高価なLiDARや高精度地図に依存しないカメラ中心の自動運転システムの実用性が高まる。また、映像生成を学習時のみに使うという設計は、データ収集と学習のパイプラインにも波及する。実世界の運転データから将来映像を予測するタスクを学習させることで、行動計画に必要なシーン理解を効率的に獲得できるとみられる。 一方で、未確定の論点も残る。論文ではNAVSIMv2とnuScenesでの性能が示されているが、実際の車両での実証や、多様な気象条件・地域でのロバスト性はまだ確認されていない。また、6カメラ入力の計算負荷がどの程度なのか、具体的な推論遅延の数値やハードウェア要件は論文の要旨からは読み取れない。さらに、ゼロショット転送能力が「競争力がある」とされているが、他手法との定量的な比較は今後の詳細な論文で確認する必要がある。

なぜ重要か

自動運転の実用化には、安全性と計算効率の両立が不可欠だ。SV-WAMは、全周囲カメラの情報を保ちながら推論時の映像生成を省略するという設計で、この課題に対する一つの解を示した。カメラ中心の自動運転システムが現実味を帯びる中、このような効率的な世界行動モデルの登場は、今後の自動運転技術の方向性を左右する可能性がある。