梦想驾驶：使用分析世界模型的基于模型的车辆控制

arXiv 25.2 2025 44.3 method

TLDR

提出使用可微模拟器的分析世界模型，用于自动驾驶中的预测、规范和反事实能力

评分理由

The paper introduces a novel approach to world modeling by leveraging differentiable simulators for end-to-end learning of state predictors, odometry, planners, and inverse states. Its strengths lie in the innovative task setups and broad applicability in autonomous driving, but it lacks real-world validation, relying solely on simulated environments.

Read-first 评分解释

综合优先阅读分 44.3，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 33。

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%

47.1

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：无

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：无

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：405。

关键词评分

world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

interactive world model

generative world model

video world model

深度分析

创新点

使用可微模拟器进行世界建模（分析世界模型），而不仅仅是策略梯度
三种新颖的任务设置：通过结合可微动力学与状态预测器的端到端计算图，学习相对里程计、最优规划器和最优逆状态
通过可微模拟实现状态预测器的端到端学习，从而具备预测、规范和反事实能力

方法

该方法将可微动力学与状态预测器（而非策略）结合在端到端计算图中。设计了三种任务设置：相对里程计、最优规划器和最优逆状态。模型通过可微模拟器的反向传播进行训练，从而实现分析世界模型（AWMs）的高效学习。

关键结果

本文证明了可微模拟能够实现分析世界模型的高效端到端学习，这些模型在自动驾驶场景中具有广泛的适用性，并且可以增强决策能力，超越反应式控制。

技术栈

differentiable simulatorsbackpropagationend-to-end learningstate predictorsAnalytic World Models

资源

论文