2026/8/1arXiv:2608.12854

BrainWAM: Action-Space Coordination of Semantic Priors and Predictive Dynamics for Autonomous Driving

詳しい要約

1. どんなもの？

BrainWAMは、自動運転のための行動空間調整フレームワークであり、意味的推論（VLM priors）と予測的ダイナミクス（World Action Models）を統合する。ナイーブな結合が注意割り当ての不一致を引き起こす問題を解決し、NAVSIM v1とv2で最先端の性能を達成する。

2. 先行研究と比べてどこがすごい？

既存のエンドツーエンド運転アプローチは、VLAモデル（意味的推論）またはWAM（予測的ダイナミクス）のいずれかに焦点を当てており、両方を統合する試みは注意割り当ての不一致により性能が低下する。BrainWAMは、機能特化システムの調整という神経科学の知見に着想を得て、行動空間レベルで調整することでこの問題を克服し、VLA-onlyやWAM-onlyの手法を一貫して上回る。

3. 技術・手法の肝は？

BrainWAMは、意味的推論と予測的世界モデリングを2つの専門化された行動指向パスウェイに変換し、コンパクトな行動表現のレベルでそれらを調整する。さらに、非同期整流フロー推論戦略を導入し、ビデオと行動のデノイジングを分離することで、推論遅延を短縮しつつ計画関連の予測コンテキストを保持する。

4. どうやって有効だと検証した？

NAVSIM v1で89.5 PDMS、NAVSIM v2で89.6 EPDMSを達成し、VLA-onlyおよびWAM-onlyの手法を一貫して上回ることで有効性を検証した。

5. 議論はある？

要旨からは、BrainWAMの限界や潜在的な欠点についての議論は不明である。また、実世界でのロバスト性や計算コストに関する詳細も要旨には含まれていない。

6. 次に読むべき論文は？

要旨で参照されている関連手法として、Vision-Language-Action (VLA) models、World Action Models (WAMs)、および神経科学の機能特化システムの調整に関する研究が挙げられる。具体的な論文名は要旨にないため、同分野の定番として、VLAモデルやWorld Modelsに関する論文を読むことが推奨される。

※ 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: Bing Zhan, Shuyao Shang, Jiahao Gu, Shuo Lu, Yuan Xu, Zhao Wang, Yida Wang, Xueyang Zhang, Kun Zhan, Lue Fan, Zhaoxiang Zhang

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

Autonomous driving requires planning under both semantic constraints and predictive dynamics. Existing end-to-end driving approaches, however, typically emphasize only one side of this requirement: Vision-Language-Action (VLA) models exploit VLM priors for semantic reasoning, while World Action Models (WAMs) provide future-aware prediction through generative world modeling. This naturally motivates a unified planner that can leverage both semantic priors and predictive dynamics. However, we find that a naive combination through joint token-level attention suffers from an attention-allocation mismatch, where semantic shortcuts dominate the shared attention space and suppress predictive dynamics. Inspired by neuroscience evidence that complex behavior arises from coordination among functionally specialized systems, we propose BrainWAM, a structured action-space coordination framework that converts semantic reasoning and predictive world modeling into two specialized action-oriented pathways, and aligns them at the level of compact action representations. We further introduce an asynchronous rectified-flow inference strategy with decoupled video and action denoising, which shortens inference latency while preserving planning-relevant predictive context. BrainWAM reaches state-of-the-art performance on both NAVSIM v1 (89.5 PDMS) and NAVSIM v2 (89.6 EPDMS), consistently outperforming VLA-only or WAM-only methods, highlighting BrainWAM as a practical and promising direction for autonomous driving systems.

arXivで原文を読む →arXiv概要ページ

← 論文一覧