ReWorld: ワールドアクションモデルのためのより良い表現学習

ワールドアクションモデル（WAM）は、行動条件の下で将来の環境変化をモデル化し、自動運転のためのスケーラブルなパラダイムを提供します。しかし、既存のアプローチは主にモデルアーキテクチャの設計に焦点を当てており、WAMが計画のためにより良い世界表現を効率的に学習する方法は未解明のままです。このギャップを埋めるため、研究者らはReWorldを提案しました。これは、自動運転ワールドアクションモデルに特化した初の表現学習フレームワークです。標準的なWAM訓練では、生成モジュールと計画モジュールの出力端のみが監視され、世界知識を運ぶ中間表現は、出力に適合させる副産物として間接的にしか形成されません。ReWorldの核心は、中間表現を最適化の直接のターゲットとして扱い、3つの補完的な次元に沿って形成することです。まず、生成を担当するVideo DiTでは、その中間表現に未来予測監視を課し、将来のシーンをより良く予測できるようにします。次に、計画を担当するAction DiTでは、中間表現をビデオ世界表現とクロスモーダルに整合させ、意味的に一貫性を保った上で、ハードネガティブ監視を通じて安全性の重要な境界の周りで識別力を高めます。これにより、危険な状況をより正確に認識できるようになります。さらに、既存の表現学習手法（対比学習、マスクオートエンコーダなど）のビデオ生成ワールドモデルにおける有効性を系統的に分析し、これらの手法が生成タスクと計画タスクの結合関係を見落としているために性能が限られている理由を議論しています。nuScenesとNAVSIMの大規模自動運転データセットでの実験により、ReWorldは微調整されたビデオ生成のFVD（Frechet Video Distance）を81.3から61.9に改善（23.9%向上）、閉ループPDMS（Perception and Driving Metric Score）を89.1から90.4に向上させ（RLや後処理などの追加訓練なし）、初期状態からの収束を約2倍加速しました。これらの結果は、中間表現を直接最適化することの有効性を示し、将来の自動運転世界モデルの研究に新たな方向性を提供します。本論文はTianze Xia氏を含む12名の著者により執筆され、2026年6月25日にarXivに提出されました。