IDOL：基于逆动力学的未来预测用于端到端自动驾驶

arXiv 2026 51.6 method, application

TLDR

IDOL利用逆动力学在BEV世界模型中桥接未来预测与轨迹优化，用于端到端自动驾驶。

评分理由

The paper introduces a novel framework that integrates inverse dynamics with a world model to convert future scene predictions into actionable trajectory updates, addressing a key limitation in prior work. However, the abstract lacks explicit mention of real-world experiments or benchmarks, and the approach is confined to latent BEV space, which may limit generalizability.

Read-first 评分解释

综合优先阅读分 51.6，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 32。

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%

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：0.75047491

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、实验、结果

主题相关性 29%

45.7

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：代码

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：215。

关键词评分

world model

world dynamics prediction

generative world model

world simulator

model-based reinforcement learning world model

video world model

interactive world model

深度分析

创新点

在潜在BEV空间中，用于端到端自动驾驶的逆动力学引导的未来预测框架
利用逆动力学从相邻潜在未来状态中解码过渡感知的轨迹特征，并恢复与规划相关的运动增量
轻量级闭环优化模块，通过重用优化后的轨迹进行另一轮未来感知推理，以改善长时域一致性

方法

IDOL首先使用BEV世界模型预测多个未来潜在场景状态。然后应用逆动力学模型到相邻的潜在未来状态，解码过渡感知的轨迹特征并恢复解释潜在世界如何演变的运动增量。这些逆动力学导出的信号优化规划轨迹，闭环优化模块通过重用优化后的轨迹进行另一轮未来感知推理，进一步改善长时域一致性。

关键结果

IDOL在NAVSIM v1和NAVSIM v2基准测试中，在可比方法中取得了最先进的性能。

技术栈

BEV world modelinverse dynamics modelclosed-loop refinement module

资源

论文