ResWorld：面向端到端自动驾驶的时间残差世界模型

ICLR 26 2026 64.2 method, application

TLDR

提出时间残差世界模型，聚焦动态目标与轨迹优化，在nuScenes和NAVSIM上达到SOTA。

评分理由

Strengths include novel temporal residual approach to avoid static redundancy and trajectory refinement module. Weaknesses are domain specificity to driving and lack of broader world model generality.

Read-first 评分解释

综合优先阅读分 64.2，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 33。

近期性 8%

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

可复现性 25%

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：有；数据：无；命中信号：代码、数据集、GitHub

方法质量 25%

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：数据集、实验

主题相关性 42%

47.1

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

研究版图角色

前沿论文复现锚点

排序敏感性

稳定性：volatile；排名波动范围：436。

关键词评分

world model

world dynamics prediction

generative world model

interactive world model

world simulator

video world model

model-based reinforcement learning world model

深度分析

创新点

时间残差世界模型（TR-World），通过计算场景表示的时间残差来建模动态目标，无需依赖检测与跟踪。
未来引导轨迹优化（FGTR）模块，将先验轨迹与未来BEV特征交互以优化轨迹，并提供稀疏时空监督防止世界模型崩溃。

方法

该方法利用场景表示的时间残差提取动态目标信息（无需检测或跟踪），然后预测动态目标的未来空间分布。将这些预测与当前BEV特征中的静态目标信息结合，得到准确的未来BEV特征。未来引导轨迹优化模块将先验轨迹与未来BEV特征交互以优化轨迹，并提供稀疏时空监督防止世界模型崩溃。

关键结果

在nuScenes和NAVSIM数据集上的综合实验表明，ResWorld达到了最先进的规划性能。

技术栈

PyTorchnuScenesNAVSIMBEV features

资源

论文代码