ForgeDrive: 自动驾驶中统一视觉与动作生成的双向交叉条件

arXiv 2026 42.7 method, application

TLDR

ForgeDrive通过双向交叉条件统一自动驾驶视觉与动作生成，实现先行动后想象推理以提升规划与仿真。

评分理由

The paper introduces a novel act-then-imagine paradigm that reduces error cascades from visual generation to action planning, and unifies multiple driving tasks in a single model. However, evaluation is limited to the NAVSIM simulator without real-world validation, and limitations are not discussed.

Read-first 评分解释

综合优先阅读分 42.7，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 54。

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

主题相关性 29%

77.1

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

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

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

引用影响力 18%

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。引用数：0

引用速度 12%

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：0.00

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：408。

关键词评分

world model

video world model

generative world model

interactive world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

深度分析

创新点

用于自动驾驶的带有视觉-动作交叉条件的统一自回归扩散框架
用“先行动后想象”范式替代传统的“先想象后行动”流程，防止错误级联
将未来分解为逐时间步的帧-动作对，模态相互交织
解耦扩散时间步和UniDiffuser风格噪声调度器，实现跨模态推理
推理范式中动作生成不需要干净的未来帧，且生成的动作能改善后续帧生成
集成未来自车状态预测以增强规划
单个模型统一驾驶仿真、规划和视觉里程计

方法

ForgeDrive是一个自回归扩散模型，生成帧-动作对序列。训练时解耦视觉和动作模态的扩散时间步，并使用UniDiffuser风格的噪声调度器学习双向交叉条件。推理遵循“先行动后想象”范式，先生成动作，然后以动作为条件生成帧，并附加自车状态预测。

关键结果

在NAVSIM上，ForgeDrive无需后训练策略即超越现有强规划器，并将驾驶仿真、规划和视觉里程计统一在单个模型中。

资源

论文