MindDrive：一个融合世界模型与视觉语言模型的端到端自动驾驶一体化框架

arXiv 25.12 2025 62.7 method, system

TLDR

MindDrive融合世界动作模型进行未来场景预测，并利用视觉语言模型进行多目标评估，在NAVSIM基准上达到最优性能。

评分理由

The paper presents a novel framework combining world models and vision-language models for end-to-end autonomous driving, with clear strengths in integrating trajectory generation and reasoning. However, the abstract lacks details on the world model architecture and training, and the benchmarks may not fully reflect real-world complexity.

Read-first 评分解释

综合优先阅读分 62.7，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 47。

近期性 8%

86.7

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：2025

方法质量 25%

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、评估、实验、指标

主题相关性 42%

67.1

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

可复现性 25%

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

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：168。

关键词评分

world model

generative world model

world dynamics prediction

world simulator

interactive world model

video world model

model-based reinforcement learning world model

深度分析

创新点

将世界模型与视觉语言模型集成用于端到端自动驾驶
基于世界动作模型（WaM）的未来感知轨迹生成器（FaTG），实现以自我车辆为条件的“假设”模拟
面向VLM的评估器（VLoE），利用大型视觉语言模型在安全性、舒适性和效率维度上进行多目标评估

方法

MindDrive提出了“情境模拟-候选生成-多目标权衡”的结构化推理范式。它使用基于世界动作模型（WaM）的未来感知轨迹生成器（FaTG）预测潜在未来场景并生成有远见的轨迹候选，然后采用面向VLM的评估器（VLoE）在安全性、舒适性和效率维度上进行多目标评估。该框架在NAVSIM-v1和NAVSIM-v2基准上进行评估。

关键结果

MindDrive在NAVSIM-v1和NAVSIM-v2基准上的多维度驾驶指标上达到了最先进性能，显著提升了安全性、合规性和泛化能力。

技术栈

World Action Model (WaM)Vision-Language Model (VLM)Future-aware Trajectory Generator (FaTG)VLM-oriented Evaluator (VLoE)NAVSIM-v1NAVSIM-v2

资源

论文