OccWAM: シーンから自己へのフローマッチングを統合した占有ワールドアクションモデル

- 将来の運転シーンをoccupancyで構造的・メートル的に表現するworld modelを基盤としたend-to-end自動運転の枠組み。 - OccWAMはoccupancy-nativeなworld-action modelで、scene表現を条件にflow matchingで密な将来occupancyと連続ego trajectoryを同時生成する。 - 二段階のscene-to-ego world-action flow matchingを導入し、第一段でscene-centric occupancyと絶対ego trajectoryを予測、第二段で予測worldをego frameに再インデックスしego-centric occupancyとmotionをrefineする。 - ビデオベースと異なりpixel合成せず、明示的なsemantic geometryを保持して直接planning推論に用いる。

- 既存のoccupancy-aware plannerは、階層的couplingか並列multi-task学習でoccupancy予測とaction生成を結合していた。 - 階層的手法はoccupancyを完全予測された未来としてaction生成に先行させるか、action-conditioned rolloutとしてtrajectory評価に用いる。 - 並列multi-task手法は別branchや補助目的でoccupancyとplanningを同時予測する。 - これらのinterfaceは明示的な生成順序か役割の非対称性を保持し、trajectory形成中のworld predictionとaction generationの相互interactionを制限していた。 - OccWAMはjoint生成によりこの制限を克服し、closed-loop driving、open-loop planning、future occupancy predictionでstate-of-the-artを達成。

- scene表現を条件としたflow matchingにより、密な将来occupancyと連続ego trajectoryをjointly生成するoccupancy-native world-action model。 - scene-to-ego world-action flow matchingは二段階構成。 - 第一段：scene-centric occupancyと絶対ego trajectoryを予測し、将来scene evolutionの安定表現を得る。 - 第二段：同じ予測worldを初期trajectoryが誘導する将来ego frameに再インデックスし、ego motionを隣接pose incrementで表現、二回目のjoint flowでego-centric occupancyとmotionをrefineしてaction-aligned planningを行う。 - ビデオベースと異なりpixel synthesisを避け、明示的semantic geometryを保持。

- Bench2DriveとnuScenesでの広範な実験を実施。 - closed-loop driving、open-loop planning、future occupancy predictionの各タスクでstate-of-the-art性能を実証。 - 具体的な評価指標やベースラインとの比較数値は要旨からは不明。

- 既存の階層的・並列multi-task couplingが持つ明示的生成順序や役割非対称性が、world predictionとaction generationの相互interactionを制限する点を議論。 - OccWAMのjoint formulationと二段階flow matchingがこの制限を緩和することを主張。 - 限界や失敗ケース、計算コスト、リアルタイム性などの議論は要旨からは不明。

- 要旨で参照/比較されている研究：hierarchical coupling、parallel multi-task learning、video-based world-action models。 - 関連手法：occupancy-aware planners、flow matching、end-to-end autonomous driving。 - 具体的な論文名は要旨からは不明。同分野の定番としてoccupancy predictionやworld model based planningの文献を挙げる。