DeepSight: 通过潜在状态预测实现长时域世界建模的端到端自动驾驶

arXiv 2026 55.8 method

TLDR

提出驾驶世界模型，预测潜在BEV特征以进行长时域未来状态建模，在Bench2drive上达到SOTA。

评分理由

The paper introduces a novel approach for long-horizon world modeling in autonomous driving by predicting latent semantic features in BEV space, which is a clear strength. However, the evaluation is limited to a single closed-loop benchmark (Bench2drive) and lacks real-world driving tests, and the method's reliance on BEV space may limit generalizability.

Read-first 评分解释

综合优先阅读分 55.8，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 28。

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

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：有；数据：无；命中信号：代码、GitHub

引用影响力 18%

75.4

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。归一化引用分位：0.75435134

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：基准、结果

主题相关性 29%

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

基础论文前沿论文桥接论文复现锚点

排序敏感性

稳定性：volatile；排名波动范围：474。

关键词评分

world model

world dynamics prediction

generative world model

model-based reinforcement learning world model

world simulator

video world model

interactive world model

深度分析

创新点

在鸟瞰图（BEV）空间中并行预测连续未来帧的潜在语义特征，以实现长时域世界建模
一种高效且自适应的文本推理机制，利用社会知识和推理能力提升长尾场景下的驾驶性能

方法

本文提出了一种驾驶世界模型，该模型在BEV空间中并行预测连续未来帧的潜在语义特征，从而实现对未来世界状态的长时域建模。同时引入了一种高效且自适应的文本推理机制，利用额外的社会知识和推理能力。该方法在闭环Bench2drive基准上进行了评估，取得了最先进的结果。

关键结果

所提出的方法在闭环Bench2drive基准上取得了最先进的结果。

技术栈

VLMBEVBench2drive

资源

论文代码