自我感知主动学习使自动驾驶能够持续改进

arXiv 2026 26.4 method, application

TLDR

提出SAGE主动学习框架，通过预测世界模型估计风险与新颖性，实现自动驾驶的专家干预和持续改进。

评分理由

The paper introduces a novel integration of world-model-derived intrinsic signals with active learning and evaluates across simulated, logged, and real-world settings. However, the abstract lacks detailed quantitative results and explicit limitations, making the strength of the empirical evidence difficult to assess. Keyword relevance is strongest for predictive world modeling and weakest for video or interactive world model terminology.

Read-first 评分解释

综合优先阅读分 26.4，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 24。

近期性 5%

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 15%

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：基线、评估、结果

主题相关性 25%

34.3

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

可复现性 15%

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

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

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 10%

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

排序敏感性

稳定性：volatile；排名波动范围：152。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

generative world model

interactive world model

world simulator

video world model

资源

论文