HEAT: 基于轨迹引导的世界模型的异构端到端自动驾驶

arXiv 2026 50.1 method, application

TLDR

轨迹引导的世界模型使单一端到端自动驾驶模型在异构领域无需重训表现良好。

评分理由

The paper addresses a practical multi-domain learning challenge in autonomous driving and proposes a novel trajectory-driven paradigm with a world model for feature consistency. Strengths include real-world benchmarks and clear problem motivation; weaknesses are limited methodological detail in the abstract and no explicit comparison to world simulator or RL approaches.

Read-first 评分解释

综合优先阅读分 50.1，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 24。

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%

77.5

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：0.77453184

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：基准、数据集、结果

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：代码、数据集

主题相关性 29%

34.3

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

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方法锚点

排序敏感性

稳定性：volatile；排名波动范围：283。

关键词评分

world model

world dynamics prediction

generative world model

model-based reinforcement learning world model

world simulator

interactive world model

video world model

深度分析

创新点

轨迹驱动的学习范式，围绕规划轨迹组织训练，以捕获驾驶意图的域不变表示。
引入世界模型，根据自车动作预测未来潜在特征，以提高特征一致性并减轻域引起的偏差。

方法

本文提出了一种端到端自动驾驶模型，采用轨迹引导的学习范式，围绕规划轨迹组织训练，从而捕获域不变的驾驶意图表示。同时，引入了一个世界模型，根据自车动作预测未来潜在特征，以提高特征一致性并减少域偏差。该模型在多个异构数据集（nuScenes、NAVSIM、Waymo）上联合训练，无需针对特定域进行重新训练。

关键结果

该方法在所有三个基准（nuScenes、NAVSIM、Waymo）上均显示出相对于现有方法的显著改进，证明了一个统一的模型可以在异构数据集上训练，同时在每个域内保持强劲性能。

资源

论文