ReSim：面向自动驾驶的可靠世界模拟

arXiv 25.6 2025 47.5 method, application

TLDR

ReSim通过模拟器非专家数据丰富真实驾驶数据，构建可控世界模型，实现多样场景的可靠模拟。

评分理由

Strengths: addresses data scarcity of non-expert behaviors, uses heterogeneous corpus, achieves significant improvements in fidelity and controllability. Weaknesses: relies on simulator data which may have domain gap; Video2Reward module adds complexity.

Read-first 评分解释

综合优先阅读分 47.5，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 59。

近期性 6%

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

主题相关性 29%

84.3

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

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：基准、评估、结果

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：578。

关键词评分

world model

world simulator

generative world model

video world model

world dynamics prediction

interactive world model

model-based reinforcement learning world model

深度分析

创新点

使用驾驶模拟器（例如CARLA）收集的多样化非专家数据来丰富真实世界的人类演示，从而能够模拟危险或非专家行为
采用扩散变换器架构构建可控世界模型，并设计多种策略整合条件信号，提高预测可控性和保真度
引入Video2Reward模块，从模拟的未来帧中估计奖励，弥合高保真模拟与需要奖励信号的应用之间的差距

方法

ReSim使用基于扩散变换器架构的视频生成器，该生成器在结合真实驾驶数据和来自CARLA模拟器的多样化非专家数据的异构语料库上进行训练。设计了多种策略来有效整合条件信号，增强可控性和保真度。该模型在视觉保真度、对专家和非专家动作的可控性以及NAVSIM基准上的规划和策略选择性能方面进行了评估。

关键结果

ReSim在视觉保真度上提高了高达44%，对专家和非专家动作的可控性提高了超过50%，并在NAVSIM上将规划和策略选择性能分别提升了2%和25%。

资源

论文项目