OWMDrive: 基于4D占用世界模型的因果感知端到端自动驾驶

arXiv 2026 39 method, system, application

TLDR

OWMDrive利用4D占用世界模型进行多步预测，引导扩散规划，提升遮挡场景下的自动驾驶安全性。

评分理由

Strengths: explicit modeling of temporal causal dynamics and future rollouts for robust planning. Weaknesses: abstract lacks details on real-world validation and comparison to baselines; limited explanation of the occupancy world model architecture.

Read-first 评分解释

综合优先阅读分 39，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 41。

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

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：实验、结果

主题相关性 29%

58.6

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

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：无

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。引用数：0

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

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：231。

关键词评分

world model

generative world model

world dynamics prediction

video world model

world simulator

model-based reinforcement learning world model

interactive world model

深度分析

创新点

用于多步3D占用预测的占用世界模型作为条件先验
基于预测的未来状态进行条件化的扩散规划
通过显式建模未来场景演化与时空依赖关系实现因果感知端到端驾驶

方法

OWMDrive是一个生成式端到端框架，使用占用世界模型预测多步3D占用，为基于扩散的规划器提供条件先验。规划器以当前观测和预测的未来状态为条件，迭代优化轨迹候选以生成驾驶轨迹。

关键结果

OWMDrive显著提升了规划的可靠性和安全性，尤其在具有挑战性和部分可观测的驾驶场景中。

资源

论文