DrivingGPT：利用多模态自回归变换器统一驾驶世界建模与规划

CVPR 25 2025 65.6 method, application

TLDR

利用交错图像和动作令牌的自回归预测统一驾驶世界建模与规划

评分理由

The paper introduces a novel multimodal autoregressive approach that jointly handles world modeling and planning, outperforming baselines on nuPlan and NAVSIM. Strengths include unifying simulation and planning in a single framework; weaknesses include limited discussion of generalization beyond driving and potential scalability issues.

Read-first 评分解释

综合优先阅读分 65.6，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 57。

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%

81.4

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

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：基线、基准

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：GitHub

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：299。

关键词评分

world model

generative world model

video world model

world simulator

world dynamics prediction

interactive world model

model-based reinforcement learning world model

深度分析

创新点

将驾驶世界建模与规划统一为单一序列建模问题
引入基于交错图像和动作令牌的多模态驾驶语言
使用标准下一个令牌预测的自回归变换器进行联合世界建模与规划

方法

DrivingGPT采用多模态自回归变换器，将交错图像和动作令牌作为统一序列处理。该模型通过在大规模驾驶数据上进行标准下一个令牌预测训练，实现了动作条件视频生成和端到端轨迹规划。

关键结果

DrivingGPT在nuPlan和NAVSIM基准测试中，在动作条件视频生成和端到端规划任务上均优于强基线。

技术栈

Autoregressive TransformerMultimodal TokenizationNext-Token Prediction

资源

论文项目