基于自监督JEPA的世界模型用于激光雷达占用补全与预测

arXiv 26.2 2026 53.2 method

TLDR

自监督JEPA世界模型用于自动驾驶激光雷达占用补全与预测

评分理由

The paper proposes a novel self-supervised world model using JEPA for spatiotemporal prediction from LiDAR data, with promising proof-of-concept results on occupancy completion and forecasting. However, the evaluation is limited to a single downstream task and lacks comparison to strong baselines or real-world deployment details.

Read-first 评分解释

综合优先阅读分 53.2，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 30。

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

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：基线、实验

主题相关性 42%

42.9

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 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：无；数据：无；命中信号：代码

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：466。

关键词评分

world model

world dynamics prediction

video world model

world simulator

generative world model

model-based reinforcement learning world model

interactive world model

深度分析

创新点

基于自监督JEPA的自动驾驶世界模型，使用LiDAR数据
将联合嵌入预测架构（JEPA）应用于LiDAR时空演化预测
通过下游LiDAR占用补全与预测（OCF）任务评估所学表示

方法

本文提出AD-LiST-JEPA，一种自监督世界模型，使用联合嵌入预测架构（JEPA）从LiDAR数据预测未来时空演化。通过下游的基于LiDAR的占用补全与预测（OCF）任务评估所学表示，该任务联合评估感知与预测。

关键结果

概念验证实验表明，与基线相比，在JEPA世界模型学习后使用预训练编码器可获得更好的OCF性能。

局限性

仅进行了概念验证实验，规模和泛化性尚未得到验证

技术栈

LiDARJEPA自监督学习占用补全与预测

资源

论文