通过语义掩码世界模型提升端到端城市自动驾驶的样本效率和鲁棒性

TITS 2026 62.4 method, application

TLDR

提出SEM2，一种语义掩码循环世界模型和多源数据采样器，提升端到端城市自动驾驶的样本效率和鲁棒性。

评分理由

The paper introduces a novel semantic filter and data balancing technique to address task-irrelevant latent states and data imbalance, which are clear strengths. However, it only evaluates on the CARLA simulator without real-world experiments, limiting generalizability.

Read-first 评分解释

综合优先阅读分 62.4，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 38。

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%

93.5

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：0.93501976

引用速度 12%

69.3

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：29.00

方法质量 18%

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：实验、结果

主题相关性 29%

54.3

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：无

研究版图角色

基础论文前沿论文

排序敏感性

稳定性：volatile；排名波动范围：508。

关键词评分

world model

model-based reinforcement learning world model

video world model

world dynamics prediction

interactive world model

world simulator

generative world model

深度分析

创新点

语义滤波器，从潜在状态中提取关键的驾驶相关特征
多源数据采样器，将常见数据和多种边缘情况数据聚合在单个批次中以平衡数据分布

方法

本文提出SEM2，一种语义掩码循环世界模型，使用语义滤波器从潜在表示中提取任务相关特征，并采用多源数据采样器通过混合常见数据和边缘情况数据来平衡训练数据分布。该模型在CARLA模拟器上进行端到端训练。

关键结果

在CARLA上的大量实验表明，SEM2在样本效率和对输入扰动的鲁棒性方面优于现有最先进方法。

技术栈

CARLA模拟器循环世界模型语义滤波器多源数据采样器

资源

论文