⌁ Awesome World Model Hub 论文 · 数据集 · 项目
English GitHub
← 返回论文列表

Drive&Gen：协同评估端到端驾驶与视频生成模型

IROS 25 2025 51.1 benchmark, application

TLDR

提出DriveGen，利用统计度量和合成数据协同评估端到端驾驶与视频生成模型。

评分理由

Strengths include novel statistical measures for evaluating video realism via driving models and using controllable generation to study distribution gaps. Weaknesses are limited methodological details and lack of quantitative results in the abstract.

Read-first 评分解释

综合优先阅读分 51.1，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 36。

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

方法质量 25%
60

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：评估、实验

主题相关性 42%
51.4

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 25%
30

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：404。

关键词评分

generative world model
9
world model
8
video world model
6
world simulator
5
world dynamics prediction
4
interactive world model
3
model-based reinforcement learning world model
1

深度分析

创新点

  • 利用端到端驾驶模型评估生成视频真实性的新颖统计度量
  • 利用视频生成模型的可控性研究影响端到端规划器性能的分布差距
  • 证明视频生成模型产生的合成数据是改进端到端模型在现有运行设计域之外泛化能力的经济高效替代方案

方法

本文提出了利用端到端驾驶模型评估生成视频真实性的统计度量。它利用视频生成模型的可控性进行有针对性的实验，研究影响端到端规划器性能的分布差距。最后，使用视频生成模型产生的合成数据来改进端到端模型的泛化能力。

关键结果

视频生成模型产生的合成数据有效改进了端到端模型在现有运行设计域之外的泛化能力，促进了自动驾驶服务向新运行场景的扩展。

资源

论文

标签