4D-WAM učí model autonómneho riadenia priestorovo konzistentné predpovede bez vyššej ceny inferencie

Prečo vierohodné video na riadenie nestačí

Modely sveta pre autonómne riadenie sa snažia predpovedať, ako bude dopravná scéna vyzerať o niekoľko sekúnd, a zároveň z nej odvodiť trajektóriu vozidla. Nový preprint 4D-WAM upozorňuje na slabinu tohto prístupu: model trénovaný prevažne na videu môže vytvoriť obrazovo presvedčivú budúcnosť, ktorá nedáva zmysel v trojrozmernom priestore a čase. Automobil sa môže medzi snímkami deformovať, zmeniť vzdialenosť nepravdepodobným spôsobom alebo sa pohybovať inou rýchlosťou, než naznačujú predchádzajúce zábery. Pri generovaní videa ide o vizuálnu chybu, pri plánovaní jazdy môže takýto omyl viesť k nesprávnemu odhadu voľného priestoru či času do kolízie.

4D-WAM preto nespolieha iba na podobnosť predikovaných a skutočných obrazových snímok. Počas tréningu posiela predpovedané aj referenčné budúce snímky do zmrazeného geometrického foundation modelu VGGT-Ω. Z jeho vnútorných reprezentácií a odhadov hĺbky vytvára dve tréningové straty. Prvá porovnáva celkové rozloženie scény, väzby medzi snímkami a korešpondencie objektov, druhá kontroluje jemnejšie priestorové vzťahy vrátane relatívnej hĺbky a hraníc objektov. Model sveta tak dostáva signál, že nestačí vytvoriť realistické pixely; predpoveď má zachovať aj geometriu dynamickej scény.

Dôležitým spresnením oproti pôvodnému súhrnu je, že nejde o fyzikálny simulátor ani o matematickú záruku konzistencie. Geometrický učiteľ sám odhaduje štruktúru z RGB videa a môže sa mýliť. Autori pri hĺbkovej strate filtrujú pixely podľa platnosti a dôvery učiteľa, pričom v každej snímke odstraňujú aj najmenej dôveryhodnú časť odhadov. Výsledný systém sa teda učí napodobniť užitočné geometrické reprezentácie VGGT-Ω, nie priamo zákony pohybu. To je prakticky zaujímavé, ale zároveň to vytvára závislosť od kvality a chýb zvoleného učiteľského modelu.

Geometrický učiteľ zostáva iba pri tréningu

Hlavnou prevádzkovou výhodou je oddelenie tréningu od inferencie. VGGT-Ω sa používa pri učení, no nie je súčasťou cesty, ktorá po nasadení vytvára video a trajektóriu. Autori preto hovoria o nulovej dodatočnej cene inferencie voči vlastnému základnému modelu. Presnejšie to znamená, že geometrický dohľad nepridáva ďalšie volanie modelu pri každom rozhodnutí; neznamená to, že celý 4D-WAM je lacný. Jeho video vetva vychádza z difúzneho video modelu Wan2.2, akčná vetva má samostatného experta a obe si počas odšumovania vymieňajú informácie. Pre nasadenie vo vozidle preto stále treba zmerať absolútnu latenciu, pamäťové nároky a spotrebu hardvéru.

Práca navyše opisuje jav „skorého rozhodovania“. Pri analýze 1 000 validačných scén autori sledovali 20 krokov spoločného odšumovania a zistili, že základný smer jazdy sa v obrazovej aj akčnej vetve formuje už počas prvého alebo druhého kroku, keď je reprezentácia ešte silne zašumená. Neskoršie kroky prevažne zlepšujú vizuálne detaily a vyhladzujú trajektóriu. Tréning preto častejšie vzorkuje práve skorú rozhodovaciu oblasť; podľa experimentov bola najlepšia konfigurácia, ktorá jej pridelila polovicu vzoriek. Ide o zaujímavý výsledok aj mimo automobilov, pretože naznačuje, že pri difúznych akčných modeloch nemusí mať každý krok rovnaký význam pre konečné rozhodnutie.

Ablácie uvedené v práci podporujú prínos geometrickej straty aj zmeneného vzorkovania, stále však ide o výsledky toho istého autorského tímu. Preprint bol na arXiv odovzdaný 10. augusta 2026 a v čase kontroly predstavoval prvú verziu bez uvedeného recenzovaného konferenčného prijatia. Nie je tiež zverejnený samostatný repozitár 4D-WAM, ktorý by umožnil nezávisle zopakovať tréning a skontrolovať všetky implementačné rozhodnutia. Verejne dostupný je devkit benchmarku NAVSIM, nie však kompletný kód a váhy opisovaného modelu.

Čo hovoria výsledky NAVSIM

Na testovacej časti NAVSIM v2 dosiahol 4D-WAM skóre EPDMS 90,6 a na NAVSIM v1 skóre PDMS 90,9. V tabuľkách preprintu ide o najvyššie celkové skóre medzi porovnávanými naučenými metódami, hoci referenčný ľudský agent dosahuje 94,5, respektíve 94,8. Na náročnejšom dvojstupňovom navhard teste získal model EPDMS 35,9, opäť najviac z uvedených metód. Rozdiel medzi vysokými skóre na navtest a podstatne nižším výsledkom na navhard zároveň ukazuje, ako prudko môže výkon klesnúť pri náročnejších a reaktívnejších situáciách.

Tieto čísla treba čítať v kontexte samotného NAVSIM. Jeho tvorcovia ho opisujú ako pseudo-simuláciu, ktorá sa snaží spojiť rýchlosť otvorenej evaluácie s niektorými výhodami uzavretej simulácie. Druhá verzia pridala syntetické následné pozorovania a reaktívnych účastníkov premávky, no nejde o plne interaktívnu jazdu v reálnom svete. Súhrnné metriky kombinujú kolízie, dodržanie jazdnej plochy a smeru, semafory, jazdu v pruhu, komfort, pokrok a čas do kolízie. Benchmark je užitočný na štandardizované porovnanie, ale prvenstvo v ňom samo osebe nepotvrdzuje bezpečnosť ani pripravenosť na cestnú prevádzku.

Autori ukazujú aj kvalitatívny prenos na validačné videá Waymo bez dodatočného doladenia. Model podľa prezentovaných príkladov zachoval zámer jazdy pri zatáčaní, jazde rovno a v niekoľkých nočných scénach. Táto časť však neobsahuje rozsiahlu kvantitatívnu štatistiku a nemožno ju zamieňať za nezávislý test generalizácie. Na presvedčivejšie hodnotenie by boli potrebné merania naprieč krajinami, typmi križovatiek, počasím, kamerami a zriedkavými udalosťami, ako aj porovnanie pri rovnakom výpočtovom rozpočte a rovnakých tréningových dátach.

Európsky a slovenský význam

Pre európsky automobilový priemysel je podstatný najmä princíp destilovania bohatšieho dohľadu do modelu bez ďalšej prevádzkovej vetvy. Vozidlo má obmedzený energetický aj časový rozpočet, takže geometrický učiteľ používaný iba v dátovom centre môže byť praktickejší než ďalší veľký model bežiaci v automobile. Slovenské firmy zapojené do automobilového dodávateľského reťazca môžu podobný postup využiť pri vývoji percepcie, plánovania alebo virtuálneho overovania. Zatiaľ však nejde o hotový komponent, ktorý by bolo možné bez ďalšej validácie zaradiť do sériového vozidla.

Pri reálnom uvedení na európsky trh by benchmarkové skóre bolo iba jedným z podkladov. Európska komisia pri vysokorizikových AI systémoch zdôrazňuje riadenie rizík, kvalitu dát, technickú dokumentáciu, záznamy, ľudský dohľad, robustnosť, kybernetickú bezpečnosť a presnosť; konkrétne zaradenie automobilového systému závisí aj od sektorových pravidiel a jeho úlohy v regulovanom produkte. Pre 4D-WAM preto zostávajú otvorené otázky auditovateľnosti tréningových dát, správania pri zlyhaní geometrického učiteľa, kalibrácie neistoty, odolnosti voči poškodeným senzorom a testovania na európskom dopravnom značení. Výskum presvedčivo ukazuje, že obrazová vierohodnosť nie je postačujúce kritérium, no cestu od lepšej geometrickej reprezentácie k preukázateľne bezpečnému riadeniu ešte neuzatvára.