自動運転レーシング2026/8/11arXiv:2608.10618v1

世界モデル中心の自動運転レーシングエージェントによる具現化知能の認知・物理限界への挑戦

Toward the Cognitive--Physical Limits of Embodied Intelligence through a World-Model-Centric Autonomous Racing Agent

自動運転レーシングを極限テストベッドとして、世界モデルを中心としたエージェントが認知と物理の限界を同時に探求する枠組みを提案し、実車データとシミュレーションで高い成功率を達成した。

詳しい要約

1. どんなもの？

本論文は、身体化された知能（Embodied Intelligence）の認知的・物理的限界を探求するために、ワールドモデル中心の自律レーシングエージェントを提案する。このエージェントは、実車の自動運転レースから収集したデータを用いて予測的ワールドモデルを学習し、世界状態の構築、将来認識推論、限界近傍制御を閉ループで洗練する。最高速度256.3 km/h、最大横加速度26.8 m/s^2の過酷な条件下でロバストな自己位置推定と知覚を維持し、フルスケールシミュレーションで88.3%のインタラクション成功率を達成する。

2. 先行研究と比べてどこがすごい？

既存の身体化システムは安全マージンを保守的に設定し、極端条件下での能力境界の理解が不十分である。自律レーシングの既存研究は高速性能を追求するが、認知的限界と物理的限界を統合的にモデル化・洗練することは稀である。本手法は、ワールドモデルを用いて認知的・物理的限界を共同で捉え、閉ループ洗練により能力境界の利用を改善する点で新規性がある。

3. 技術・手法の肝は？

手法の核心は、ワールドモデル中心のフレームワークである。具体的には、(1) 実車レースから収集した近限界の成功・失敗データを用いて、インタラクションの進化、自己ダイナミクス、実行可能な運動境界を学習する予測的ワールドモデルを構築する。(2) 世界状態の構築、将来認識推論、近限界制御を統合し、閉ループ洗練プロセスでモデルとポリシーを反復的に改善する。これにより、エージェントは能力境界を表現・予測・継続的に洗練できる。

4. どうやって有効だと検証した？

実車の自律レーシングからデータを収集し、最高速度256.3 km/h、最大横加速度26.8 m/s^2でロバストな自己位置推定と知覚を維持した。フルスケールシミュレーションで、多様な挑戦的なレーシングシナリオにおいて88.3%のインタラクション成功率を達成した。さらに、ワールドモデルとポリシーの閉ループ洗練により、認知的・物理的限界の利用改善、失敗モードからの回復、未見のサーキットや条件への一般化が向上することを示した。

5. 議論はある？

要旨からは、議論の詳細は不明であるが、提案手法が能力境界を認識する方法論を示し、実世界展開の安全性向上に寄与する可能性が示唆される。一方で、シミュレーションでの検証が中心であり、実車での検証が限定的である点や、ワールドモデルの学習に必要なデータ量や計算コストに関する議論は要旨からは不明である。

6. 次に読むべき論文は？

要旨で参照されている関連研究は明示されていないが、自律レーシングの既存システムや、ワールドモデルを用いた強化学習（例：Dreamer）やモデル予測制御（MPC）に関する論文が関連する。また、身体化知能の限界探求に関する研究も挙げられる。具体的には、自動運転レースのベンチマーク（例：F1TENTH）や、ワールドモデルベースの強化学習の代表的な論文が次に読むべき候補である。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Zitong Shan, Baichuan Lou, Yanxin Zhou, Shuge Wu, Xianqi He, Bolin Zhao, Sheng Zhao, Zhouheng Li, Chee Kiong Ong, King Ho Holden Li, Chen Lv

分類: cs.RO

原文アブストラクト

Embodied artificial intelligence aims to develop agents that perceive, reason, and act through continuous interaction with the physical world. However, most embodied systems are still evaluated within conservative safety margins or moderate interaction regimes, leaving their capability boundaries under extreme conditions insufficiently understood. Autonomous racing provides a stringent testbed by combining high-frequency localization and perception, adversarial interaction, near-saturated vehicle dynamics, and strict safety constraints. Existing systems push high-speed performance but rarely model and refine cognitive and physical limits jointly. Here we show that a world-model-centric autonomous racing agent provides a concrete step toward exploring these coupled limits. The framework learns predictive world models from near-limit successes and failures to capture interaction evolution, ego dynamics, and feasible-motion boundaries, coupling world-state construction, future-aware reasoning, and near-limit control in a closed-loop refinement process. Training data were collected from real-vehicle autonomous racing, where the onboard system maintained robust localization and perception at speeds up to 256.3 km/h and peak lateral acceleration of 26.8 m/s$^2$. In full-scale simulated racing, the well trained world-model-centric agent achieves an 88.3% interaction success rate across various challenging simulated racing scenarios. Closed-loop refinement of the world model and policy further improved utilization of cognitive-physical limits, recovery from failure modes, and generalization across varying conditions and unseen circuits. These results suggest a boundary-aware methodology in which world models help embodied agents represent, predict, and continually refine their capability boundaries for safer real-world deployment.

arXivで原文を読む →arXiv概要ページ

← 論文一覧