本論文は Yuxuan Han 氏を含む6名の著者によるプレプリントで、2026年9月3日に arXiv に投稿され、ロボティクス(cs.RO)に分類されている。論文番号は arXiv:2609.03225v1 である。対象としているのは、ワールドモデルと強化学習を組み合わせ、"想像上のロールアウト"によって仮想的な運転経験を大量に生成し、学習効率を高めるという、エンドツーエンド自動運転で近年広がりつつあるアプローチだ。著者らは、既存のワールドモデルには大きく三つの限界があり、それが想像データの実用価値を制約していると指摘する。
第一の課題は、長期的な想像ロールアウトにおける時間的な不整合である。何ステップも先へ推論を進めると潜在状態がずれやすくなり、誤差が蓄積して、生成される想像が実際のダイナミクスから乖離していく。第二の課題は、自車と環境の相互作用のモデリングが不十分な点で、交通参加者と自車の相互影響が明確に表現されていない。第三の課題は適応性の制約であり、通常は単一の運転スタイル向けに最適化されるため、積極的な運転や保守的な運転など異なるスタイルを得るには再学習が必要になりがちである。
こうした問題に対し、著者らは StyleDrive と呼ぶワールドモデル学習フレームワークを提案する。長期的整合性、相互作用状態の分離、多スタイル方策の最適化を一つの学習パラダイムで同時に実現しようとするもので、三つの設計が相互に補完し合う構成になっている。
第一に時間的一貫性の正則化である。ゲート付きクロスアテンション機構を通じて履歴の潜在状態を現在の推論表現に統合する。これは、先を予測する際に過去の状態軌跡を振り返って継続的に校准することに相当し、長期的な想像ロールアウトを安定させ、ステップ数に伴う誤差の蓄積を抑える。
第二に明示的な状態分離モジュールである。相互作用する交通状態を、自車の意思決定に直接関係する部分と関係しない部分に分けることで、意思決定がより解釈しやすく効率的になる。特に複雑な交通状況において、運転行動に実際に影響する要因へ注意を集中できる利点がある。
第三に多スタイル運転の実現である。著者らは Group Relative Policy Optimization を採用し、従来のステップごとの報酬最適化を軌道単位の相対アドバンテージに置き換える。これにより報酬の分散が低減され、スタイルごとに再学習することなく多様な運転行動を得られる。同一モデルを異なるスタイル要求に応じて柔軟に切り替えられるという意味である。
実験面では、閉ループ運転ベンチマークである Bench2Drive で StyleDrive を評価し、運転スコア 88.44、成功率 66.82 を得た。これまで最良だったワールドモデルベース手法と比べて運転スコアは 17.08、成功率は 16.58 向上しており、改善幅はかなり大きい。
さらに著者らは StyleDrive を実機の自動搬送車(AGV)プラットフォームに搭載し、動的な運転シナリオにおいて sim-to-real 移行の可能性を示した。実機での検証は純粋なシミュレーション研究との大きな違いであり、実際のハードウェア上での実現性を示すものといえる。
なお、本論文は現時点ではプレプリントとして公開されており、PDF、実験的な HTML、TeX ソースなどの形で全文を取得できる。要旨では学習データの規模、推論遅延、実機試験の具体的な条件などは明らかにされておらず、これらの詳細は全文を読んで確認する必要がある。全体として StyleDrive は、ワールドモデル推論の安定性、相互作用モデリングの明瞭さ、方策スタイルの多様性を一つの枠組みで扱うもので、エンドツーエンド自動運転における強化学習路線に有用な設計指針を与えている。