RFWorld は候補軌道ごとに未来をシミュレートする必要を排除し、共有シーンメモリを読み出して評価する仕組みを提案した。<br><br>研究者らは、Bird‑Eye‑View（BEV）表現から構築されたメモリを、学習時に時間的リードアウトとセマンティックスーパービジョンで未来を読める形に整形した。推論時には各候補軌道がスパースな空間リードアウトでこのメモリをクエリし、報酬分数を取得する。これにより、従来のようにすべての候補に対して未来状態を再構築する必要がなくなり、推論コストを計画時間と候補数の積に相当する分だけ削減できる。<br><br>NAVSIM‑v1 ベンチマークで、RFWorld は ResNet‑34 ベースで Predictive Driver Model Score（PDMS）90.5 を達成し、同じバックボーンを用いた他のエンドツーエンド手法を上回った。<br>さらに、人間と同等の快適性・安全性・遵守度といった評価指標で優れた整合性を示した。<br><br>しかし、リゾルションが高い密集 BEV フィーチャーに対しては Transformer‑ベースの潜在ワールドモデルがスケーラブルでないことが報告されている。加えて、学習時のセマンティックスーパービジョンに依存するためラベル付きデータが不可欠であり、知覚バックボーンが道路形状や遠距離交通参加者を正確に捉えられない場合、軌道スコアリングに誤差が生じ、走行領域逸脱や衝突のリスクが上がる。<br>したがって、RFWorld は共有メモリを活用した軌道評価の効率化と精度向上を示した一方で、解像度拡張とラベル依存性の軽減を目指すさらなる研究が必要である。