用于自动驾驶场景预测的扩散Transformer世界-动作模型

arXiv 2026 70 method, benchmark, application

TLDR

一种紧凑的潜在扩散Transformer世界模型，用于自动驾驶场景预测，以自车动作为条件，在感知指标上优于回归方法。

评分理由

The paper clearly identifies the failure of standard distortion metrics for action-conditioned world models and proposes a latent Diffusion Transformer with four key ingredients, showing significant improvements in perceptual metrics like FID/KID. However, the evaluation is limited to a single dataset (nuScenes) and only front-camera scenes, and the abstract cuts off before presenting full results or limitations.

Read-first 评分解释

综合优先阅读分 70，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 58。

方法质量 18%

100

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：分析、基准、评估、实验、指标

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

引用影响力 18%

87.4

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：0.87422897

主题相关性 29%

82.9

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

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

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方法锚点

排序敏感性

稳定性：volatile；排名波动范围：374。

关键词评分

world model

generative world model

world dynamics prediction

interactive world model

video world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

潜在世界模型，从当前前摄像头潜在表示和自车动作序列预测未来场景潜在表示，解码为256×256帧，最远8秒
对四个表示家族的六个冻结编码器进行基准测试，显示带时间上下文的V-JEPA2将转向RMSE降低40%
识别潜在扩散Transformer的四个关键要素：空间token、x0目标、残差锚定、与目标不确定性匹配的采样
揭示感知-失真边界：失真指标（余弦相似度、SSIM）偏向模糊回归均值，而基于Inception的FID/KID显示扩散模型更接近真实帧分布（KID 0.078 vs 0.375，提升4.8倍）
动作可控预测，转向驱动场景位移（Spearman ρ=0.81，回归为-0.18）
紧凑的170万参数'跳跃'模型恢复完整真实运动幅度（1.02×GT），克服了单次传递运动的限制

方法

本文提出一种紧凑的潜在世界模型，将当前前摄像头潜在表示和一系列自车动作作为输入，预测未来场景潜在表示，由冻结解码器解码为256×256帧，最远8秒。首先在转向RMSE上对四个表示家族的六个冻结编码器进行基准测试，然后使用四个已识别的关键要素训练潜在扩散Transformer（DiT）。在150个保留的nuScenes场景上使用失真指标（余弦相似度、SSIM）和感知指标（FID、KID）进行评估，并进行可控性分析和运动幅度恢复实验。

关键结果

扩散模型达到KID 0.078，回归为0.375（提升4.8倍）；转向可控性得到Spearman ρ=0.81，回归为-0.18。紧凑的170万参数跳跃模型恢复1.02×真实运动幅度，而单次传递模型捕获不到一半。

局限性

单次传递模型由于共享当前锚点，捕获不到一半的真实运动幅度
标准失真指标（余弦相似度、SSIM）通过奖励模糊回归均值而非真实预测，具有误导性
模型的有限单次传递运动归因于共享当前锚点，需要专门的跳跃模型来恢复完整运动

技术栈

Diffusion Transformer (DiT)V-JEPA2Stable Diffusion VAEnuScenes datasetInception network (FID/KID)

资源

论文