CorrectAD：一种自我纠正的智能体系统，用于改进自动驾驶中的端到端规划

arXiv 25.11 2025 53.6 system, application

TLDR

一种使用扩散视频生成的自我纠正智能体系统，通过纠正失败案例来改进自动驾驶端到端规划。

评分理由

The paper presents a novel pipeline combining a product manager agent and a generative video model (DriveSora) to generate failure-case data, showing strong empirical results on real-world datasets. However, the reliance on existing generative models and the lack of detailed analysis of generated data fidelity are potential weaknesses.

Read-first 评分解释

综合优先阅读分 53.6，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 41。

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

主题相关性 42%

58.6

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：数据集

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：数据集

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：402。

关键词评分

world model

video world model

generative world model

world simulator

world dynamics prediction

interactive world model

model-based reinforcement learning world model

深度分析

创新点

PM-Agent：模拟产品经理的智能体，用于制定数据需求以收集类似失败案例的数据
DriveSora：生成与3D标注对齐的时空一致视频的生成模型
CorrectAD：一种端到端模型无关的自我纠正智能体系统，可改进任何规划器

方法

CorrectAD使用PM-Agent制定数据需求以收集类似失败案例的数据。然后，生成模型（DriveSora）通过生成基于3D布局的时空一致视频来模拟数据收集和标注。该流程是端到端模型无关的，可应用于任何规划器。

关键结果

在nuScenes和一个内部数据集上，CorrectAD纠正了62.5%和49.8%的失败案例，分别将碰撞率降低了39%和27%。

资源

论文