GEM：用于占用预测和运动规划的高斯演化模型

arXiv 2026 52.9 method, application

TLDR

GEM使用显式连续4D高斯原语进行非自回归占用预测和运动规划，实现灵活时间查询。

评分理由

The paper introduces a novel continuous-time representation that avoids autoregressive error accumulation, achieving state-of-the-art results. However, the abstract is cut off, and the method is domain-specific to autonomous driving, limiting generalizability.

Read-first 评分解释

综合优先阅读分 52.9，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 42。

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%

76.7

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：0.76663262

主题相关性 29%

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、指标

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

基础论文前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：282。

关键词评分

world model

world dynamics prediction

generative world model

video world model

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

使用显式连续4D高斯原语及其学习动力学的非自回归占用世界建模
在任意时间戳直接查询高斯世界表示，实现灵活的时间预测
解耦空间几何、时间支持和原语运动，实现可解释的场景演化
统一表示同时支持未来语义占用预测和运动规划

方法

GEM将驾驶场景表示为具有学习动力学的显式连续4D高斯原语。不同于自回归逐步预测，它直接在任意时间戳查询高斯世界，并将相应的条件3D高斯原语溅射到语义占用体积中，从而实现整个时间范围的高效非自回归预测。

关键结果

GEM在未来的语义占用预测上达到最先进水平，并展现出强大的运动规划性能，同时提供灵活的时间查询。

技术栈

4D Gaussian primitivesNon-autoregressive forecastingSplattingSemantic occupancy volumesMotion planning

资源

论文