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

Imagine-2-Drive：面向自动驾驶的CARLA高保真世界建模

arXiv 24.11 2024 66 method, application

TLDR

提出Imagine-2-Drive，一种基于扩散的世界模型和策略的WMRL框架，用于自动驾驶，在CARLA中优于基线。

评分理由

Strengths include novel integration of diffusion models for high-fidelity world modeling and multi-modal policy, addressing error accumulation and decision-making diversity. Weaknesses are evaluation limited to the CARLA simulator without real-world validation, and reliance on simulated benchmarks.

Read-first 评分解释

综合优先阅读分 66，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 55。

主题相关性 42%
78.6

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

近期性 8%
75.1

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：2024

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：基线、基准、评估

可复现性 25%
38

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：GitHub

研究版图角色

方法锚点

排序敏感性

稳定性：volatile；排名波动范围：229。

关键词评分

world model
10
model-based reinforcement learning world model
10
generative world model
9
world dynamics prediction
8
video world model
7
interactive world model
6
world simulator
5

深度分析

创新点

  • DiffDreamer：一种基于扩散的世界模型，可同时生成未来观测以减轻误差累积
  • DPA（扩散策略执行器）：一种基于扩散的策略，可建模多样且多模态的轨迹分布
  • 将基于扩散的世界模型和策略执行器集成到WMRL框架中，实现样本高效的自动驾驶

方法

Imagine-2-Drive是一个基于世界模型的强化学习（WMRL）框架，结合了基于扩散的世界模型（DiffDreamer），该模型并行生成未来观测以减少累积误差，以及一个扩散策略执行器（DPA），用于捕获多模态轨迹分布。策略在世界模型内使用最少的在线交互进行训练，并在CARLA模拟器中使用标准驾驶基准进行评估。

关键结果

该方法优于先前的世界模型基线，路线完成率提高了15%，成功率提高了20%。

技术栈

CARLADiffusion ModelsReinforcement Learning

资源

论文项目

标签