ロールアウト不要のワールドモデルによる軌道評価

- 本論文は end-to-end autonomous driving における candidate trajectory の評価器 RFWorld を提案する。 - 既存の model-based evaluator は将来状態を明示的に予測する rollout を行うため推論コストと誤差蓄積が問題。 - RFWorld は rollout を行わず、共有 scene memory を構築し候補 trajectory が直接クエリしてスコアリングする Rollout-Free World model。 - NAVSIM と Bench2Drive で評価し state-of-the-art 性能を報告。

- 先行の model-based evaluator は candidate-conditioned future states を planning horizon 全体で予測する rollout を伴い、推論コストが高く予測誤差が累積する。 - 著者は planning には各候補の full future scene 再構成は不要で、比較に必要な future-relevant information のみで十分と主張。 - RFWorld は rollout を排除し、推論計算を概ね planning horizon × 候補数分削減しつつ再帰的 rollout 誤差を回避。 - 学習時 overhead も軽量に保ち、より planning-aligned な world representation を学習すると報告。

- 共有 scene memory を構築し、training-time の lightweight temporal readout と semantic supervision により future-readable representation へ整形。 - 学習時は temporal readout を用いるが、推論時は候補 trajectory が sparse spatial readout で共有 memory を直接クエリしてスコアリング。 - rollout を行わないため、候補ごとの逐次的な将来状態予測を不要化。 - 学習 overhead を低く保つ設計。

- NAVSIM と Bench2Drive の 2 つのベンチマークで実験。 - RFWorld がより planning-aligned な world representation を学習すること、および state-of-the-art 性能を達成することを示した。 - 計算削減量は概ね planning horizon × 候補 trajectory 数と記述。 - 具体的な ablation や指標の詳細は要旨からは不明。

- rollout 不要という設計思想の妥当性、すなわち full future scene 再構成なしで比較に必要な情報が十分かという議論が想定される。 - 推論計算削減と rollout 誤差回避の利点が主張される一方、共有 memory の表現能力や semantic supervision への依存度は要旨からは不明。 - 失敗ケースや限界、計算量の詳細比較は要旨からは不明。

- 比較対象として想定される model-based trajectory evaluator（rollout を用いる future-aware scoring 手法）。 - NAVSIM および Bench2Drive 上での end-to-end planning 関連研究。 - world model を用いた autonomous driving の planning/evaluation 研究。 - 具体的な論文名は要旨からは不明。