预见明天，行动今天：前瞻驱动的自动驾驶

arXiv 2026 56.2 method, application

TLDR

ForeSight利用世界模型在规划动作前想象未来场景，在NAVSIM和nuScenes上实现了最先进的自动驾驶。

评分理由

The paper presents a clear paradigm shift from reactive to anticipatory planning, with strong empirical results on real-world benchmarks. However, it does not discuss limitations such as computational cost or failure modes of the world model, and the reliance on a pretrained world model may limit generalizability.

Read-first 评分解释

综合优先阅读分 56.2，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 52。

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

主题相关性 29%

74.3

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

引用影响力 18%

71.1

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：0.71065713

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、实验

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

排序敏感性

稳定性：volatile；排名波动范围：421。

关键词评分

world model

world dynamics prediction

generative world model

interactive world model

video world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

将自动驾驶重新定义为预期决策，使未来场景想象成为动作预测的主要驱动力，从反应式规划转向预见式规划。
引入两阶段框架：(1) 通过预训练的世界模型生成合理的未来视觉世界，(2) 基于这些想象的未来规划动作。
提出从'我现在应该做什么？'到'将会发生什么，我该如何应对？'的范式转变，实现真正的预期而非反应式规划。

方法

ForeSight分两阶段运行：首先，预训练的世界模型生成合理的未来视觉世界；其次，基于这些想象的未来规划动作。该框架在NAVSIM和nuScenes基准上进行评估，并与先前最先进的端到端规划器进行比较。

关键结果

明确的未来想象在NAVSIM和nuScenes上均显著优于先前最先进的替代方案，验证了预见式方法在动态交互场景中的有效性。

资源

论文