DrivingDojo数据集：推动交互式与知识增强的驾驶世界模型
TLDR
DrivingDojo数据集支持具有多样化驾驶操作的交互式世界模型，并提供了动作控制的未来预测基准。
评分理由
The paper introduces a novel dataset addressing video diversity limitations for interactive driving world models, with strengths in maneuver diversity and benchmark definition. Weaknesses include lack of explicit real-world validation details and limited results in the abstract.
Read-first 评分解释
综合优先阅读分 61.9，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 49。
研究版图角色
候选论文
排序敏感性
稳定性：volatile；排名波动范围：192。
关键词评分
深度分析
创新点
- 首个专为训练具有复杂驾驶动态的交互式世界模型而设计的数据集
- 包含具有完整驾驶操作、多样化多智能体交互以及丰富开放世界驾驶知识的视频片段
- 定义了一个动作指令跟随（AIF）基准，用于评估世界模型在动作控制的未来预测方面的性能
方法
本文介绍了DrivingDojo数据集，该数据集包含具有完整驾驶操作、多智能体交互和开放世界驾驶知识的视频片段。同时定义了一个动作指令跟随（AIF）基准，用于评估世界模型在动作控制的未来预测任务上的表现。
关键结果
所提出的数据集在生成动作控制的未来预测方面相较于现有数据集表现出优越性。