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

FASTopoWM: 基于潜在世界模型的快慢车道段拓扑推理

arXiv 25.7 2025 47.7 method, application

TLDR

FASTopoWM利用快慢潜在世界模型进行车道段拓扑推理，提升自动驾驶中的时序感知。

评分理由

The paper introduces a novel framework that leverages latent world models to enhance temporal propagation and reduce pose estimation failures, achieving state-of-the-art results on OpenLane-V2. However, the abstract is cut off and the focus is narrow (lane topology), limiting generalizability to broader world model concepts.

Read-first 评分解释

综合优先阅读分 47.7，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 26。

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%
70

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：基准、实验、结果

主题相关性 42%
37.1

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

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：401。

关键词评分

world model
8
world dynamics prediction
6
video world model
4
generative world model
3
world simulator
2
interactive world model
2
model-based reinforcement learning world model
1

深度分析

创新点

  • 对历史查询和新初始化查询进行并行监督，使快慢系统相互增强，以减少姿态估计失败的影响
  • 基于动作潜在变量的潜在查询和BEV世界模型，将状态表示从过去观测传播到当前时间步，提升慢管道中的时序感知

方法

FASTopoWM是一个快慢车道段拓扑推理框架，通过对历史查询和新初始化查询进行并行监督来缓解姿态估计失败。它引入了基于动作潜在变量的潜在查询和BEV世界模型，以在时间上传播状态表示，增强慢管道的时序感知。该方法在OpenLane-V2基准上进行评估。

关键结果

FASTopoWM在OpenLane-V2上优于现有方法，车道段检测mAP达到37.4%（对比33.6%），中心线感知OLS达到46.3%（对比41.5%）。

资源

论文

标签