自動運転2026/8/13arXiv:2608.12854v1

BrainWAM: 自動運転のための意味的先行知識と予測ダイナミクスの行動空間協調

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

自動運転の計画において、意味的推論（VLA）と予測的ダイナミクス（WAM）を統合する際の注意配分の不一致を解決するため、行動空間で協調させるBrainWAMを提案し、NAVSIMで最高性能を達成した。

詳しい要約

1. どんなもの？

BrainWAMは、自動運転のための統一プランナーであり、セマンティック推論のためのVision-Language-Action (VLA)モデルと、予測ダイナミクスのためのWorld Action Model (WAM)を組み合わせる。脳科学の知見に着想を得て、2つの専門化された経路をアクション空間で調整する。

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（セマンティック推論）またはWAM（予測ダイナミクス）のどちらか一方に焦点を当てていた。BrainWAMは両方を統合し、単純なトークンレベルの注意結合ではセマンティックなショートカットが予測ダイナミクスを抑制するという問題を解決する。

3. 技術・手法の肝は？

BrainWAMは、セマンティック推論と予測ワールドモデリングを2つの専門化されたアクション指向の経路に変換し、コンパクトなアクション表現のレベルでそれらを整列させる。さらに、非同期の整流フロー推論戦略を導入し、ビデオとアクション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のみまたはWAMのみの手法を一貫して上回る。

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。ただし、提案手法が実用的で有望な方向性であると述べている。

6. 次に読むべき論文は？

要旨で参照されている関連研究として、Vision-Language-Action (VLA)モデルとWorld Action Models (WAMs)が挙げられる。次に読むべき論文は、これらの基盤となる研究や、NAVSIMベンチマークに関する論文が考えられる。

※ 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