ProDrive：基于自车-环境协同演化的自动驾驶主动规划

arXiv 2026 54.3 method, application

TLDR

ProDrive通过自我-环境协同演化的BEV世界模型实现主动规划，在NAVSIM v1上优于基线。

评分理由

The paper presents a novel end-to-end framework coupling a trajectory planner with a world model for proactive planning, which is a strength. However, it only evaluates on a simulation benchmark (NAVSIM v1) without real-world experiments, and the abstract lacks discussion of limitations or failure cases.

Read-first 评分解释

综合优先阅读分 54.3，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 43。

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：消融、基线、评估、实验

引用影响力 18%

61.9

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：0.61947566

主题相关性 29%

61.4

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：无

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

前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：266。

关键词评分

world model

interactive world model

world dynamics prediction

generative world model

model-based reinforcement learning world model

world simulator

video world model

深度分析

创新点

通过双向耦合的自我-环境协同演化实现主动规划
联合端到端训练查询中心轨迹规划器和BEV世界模型
规划感知的自我令牌和并行候选评估保持梯度流

方法

ProDrive联合端到端训练一个查询中心轨迹规划器和一个鸟瞰图（BEV）世界模型。规划器生成多样化的候选轨迹和规划感知的自我令牌，而世界模型则基于这些条件预测未来场景演化。通过将规划器特征注入世界模型并并行评估所有候选，该框架保留了端到端梯度流，并允许未来结果评估直接塑造规划。

关键结果

在NAVSIM v1上，ProDrive在安全性和规划效率方面均优于强基线，消融实验验证了所提出的自我-环境耦合设计的有效性。

技术栈

BEV world modelquery-centric trajectory plannerend-to-end training

资源

论文