SimWorld：基于世界模型的模拟器条件场景生成统一基准

arXiv 25.3 2025 67.1 benchmark, system, application

TLDR

提出SimWorld基准，融合模拟引擎与世界模型，可控生成场景以提升自动驾驶感知。

评分理由

The paper presents a novel data generation pipeline integrating simulation and world models, with real-world validation. However, it lacks comparison to existing methods and focuses narrowly on autonomous driving.

Read-first 评分解释

综合优先阅读分 67.1，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 27。

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：基准、数据集、评估、结果

近期性 8%

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

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

主题相关性 42%

38.6

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

前沿论文方法锚点复现锚点

排序敏感性

稳定性：volatile；排名波动范围：564。

关键词评分

world model

generative world model

world simulator

video world model

interactive world model

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

提出了一种模拟器条件场景生成引擎，结合仿真系统与世界模型实现可控数据生成。
引入了一个按比例构建虚拟和真实数据的统一基准，用于评估世界模型在真实场景中的表现。
新颖的数据生成流程，利用仿真引擎的场景模拟能力和世界模型的鲁棒数据生成能力。

方法

该方法构建与真实场景一致的仿真系统，收集仿真数据和标签作为世界模型生成图像的条件。它结合了仿真引擎的场景模拟与世界模型的数据生成，并提供了一个混合虚拟和真实数据的基准用于评估。

关键结果

定量结果表明，所提流程生成的图像显著提升了下游感知模型的性能，并在城市自动驾驶场景中探索了生成性能。

局限性

评估仅限于城市自动驾驶场景，未探索其他驾驶环境或应用领域。
该方法依赖于仿真系统与真实场景的一致性，仿真与真实之间的域差距可能影响生成数据的质量和有用性。

资源

论文代码