CRISP：基于预测的世界模型预训练的时空相机-雷达驾驶骨干网络

arXiv 2026 35.4 method

TLDR

CRISP通过预测未来LiDAR点云预训练相机-雷达骨干，推理时无需LiDAR即可提升下游任务。

评分理由

Strengths include a novel forecasting-based pretraining method that leverages privileged LiDAR supervision, practical sensor configuration, and strong downstream task improvements. Weaknesses are reliance on LiDAR during pretraining and evaluation on a single dataset (nuScenes), limiting generalizability claims.

Read-first 评分解释

综合优先阅读分 35.4，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 30。

近期性 6%

100

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：2026

方法质量 18%

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：实验

可复现性 18%

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：代码、GitHub

主题相关性 29%

42.9

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

引用影响力 18%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

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：136。

关键词评分

world model

world dynamics prediction

generative world model

world simulator

video world model

interactive world model

model-based reinforcement learning world model

深度分析

创新点

基于预测的预训练方法，利用未来LiDAR点云作为特权监督进行相机-雷达融合
增强型雷达编码器、雷达增强的时间自注意力以及带有模态创新门控的多模态特征渲染
无需LiDAR部署即可从相机和雷达学习统一的BEV表示

方法

CRISP通过从历史多视图相机图像和雷达扫描预测未来LiDAR点云来预训练时空骨干网络，仅将LiDAR作为特权监督。它引入了增强型雷达编码器、雷达增强的时间自注意力和模态创新门控，将相机和雷达特征融合到鸟瞰图表示中。

关键结果

在nuScenes上，CRISP改善了长时域点云预测，并有效迁移到下游任务，包括3D检测、跟踪、在线地图构建、运动预测、未来占用预测和规划。

资源

论文