利用潜在空间生成世界模型缓解自动驾驶模仿学习中的协变量偏移

arXiv 24.9 2024 39.3 method, application

TLDR

提出潜在空间生成世界模型缓解自动驾驶模仿学习的协变量偏移，模拟器结果验证有效性。

评分理由

The paper directly addresses covariate shift using world models and presents novel perception encoder, with strong simulator results. However, it lacks real-world validation and the world model is not used for interactive or video tasks, limiting scope.

Read-first 评分解释

综合优先阅读分 39.3，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 36。

近期性 6%

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 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：评估、结果

主题相关性 29%

51.4

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

引用影响力 18%

10.1

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。引用数：1

引用速度 12%

5.9

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：0.33

研究版图角色

候选论文

排序敏感性

稳定性：volatile；排名波动范围：202。

关键词评分

world model

generative world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

video world model

深度分析

创新点

利用潜在空间生成世界模型解决自动驾驶模仿学习中的协变量偏移
新颖的基于Transformer的感知编码器，采用多视图交叉注意力和学习到的场景查询

方法

本文提出使用潜在空间生成世界模型（一种根据过去状态和动作预测智能体下一状态的神经网络）来缓解协变量偏移。在端到端训练中，驾驶策略通过与人演示中观察到的状态对齐来学习从错误中恢复。该方法还引入了一种基于Transformer的感知编码器，具有多视图交叉注意力和学习到的场景查询。训练和评估在CARLA模拟器和NVIDIA的DRIVE Sim中进行。

关键结果

该方法在CARLA模拟器的闭环测试中显著优于先前的最先进技术，并展示了在CARLA和NVIDIA的DRIVE Sim中处理扰动的能力。

资源

论文