PV-WM：用于关节化行人-车辆协同推演的异构微观-宏观世界模型
TLDR
PV-WM 是异构世界模型，联合推演行人关节与车辆状态，在 Waymo 上以更少参数降低误差。
评分理由
The paper introduces a novel recurrent world model that jointly predicts pedestrian articulation and vehicle states, with strong empirical gains over baselines on Waymo and clear efficiency benefits. However, the abstract lacks details on training procedures, baseline strengths, and potential failure modes.
Read-first 评分解释
综合优先阅读分 34.4，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 38。
研究版图角色
排序敏感性
稳定性：volatile；排名波动范围：278。
关键词评分
深度分析
创新点
- 仅使用历史信息的异构微观-宏观世界模型，基于结构化后感知轨迹实现关节化行人-车辆协同推演
- 同步异构状态，循环推进行人根部运动、15关节姿态和学习到的车辆状态
- 自馈式循环推演：生成的行人与车辆块为下一个循环边界提供输入；车辆框由预测中心、朝向和观测尺寸重建，并在每次状态转移后重新计算行人-车辆几何关系
- 单网络建模在保留行人/车辆各自类型特有动力学的同时统一异构未来状态
方法
PV-WM 是一种基于结构化后感知轨迹的循环世界模型，在同步异构状态中推进行人根部运动、15关节姿态和学习到的车辆状态。生成的行人与车辆块成为下一个循环边界；车辆框由预测中心、朝向及观测尺寸重建，并在每次转移后重新计算行人-车辆几何关系。评估使用对齐的 Waymo 上下文，并与匹配的单次完整状态预测器和经验证集选择的 Modular Specialist 比较，采用行人、车辆、行人-车辆指标以及计算效率度量。
关键结果
相对于匹配的单次完整状态预测器，循环执行将 Root ADE 降低 12.7%，MPJPE 降低 14.8%；在 824 个对齐的 Waymo 上下文（其中 797 个提供有效的未来车辆支持）中，相对于经验证集选择的 Modular Specialist，PV-WM 将 Root ADE 降低 5.2%，MPJPE 降低 7.6%，行人-车辆距离误差降低 11.9%，有向框最近接近误差降低 5.8%。该单网络模型参数减少 57.1%，每个局部场景的平均 FLOPs 降低 96.5%，实测 p95 延迟降低 25.5%；反馈干预实验表明，后续预测取决于所生成关节运动的内容、时间顺序和行人身份。