使用可扩展生成模型解决运动规划任务

ECCV 24 2024 74.6 method, application

TLDR

一种可扩展的生成模型，学习驾驶场景动态，实现仿真、场景生成和规划，在真实世界基准上达到最先进水平。

评分理由

Strengths include novel autoregressive modes for efficiency, strong empirical results on two real-world datasets, and open-source code. Weaknesses are limited to driving domain and lack of discussion on generalization or long-horizon simulation limitations.

Read-first 评分解释

综合优先阅读分 74.6，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 54。

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%

77.1

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

近期性 8%

75.1

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：2024

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

研究版图角色

复现锚点

排序敏感性

稳定性：volatile；排名波动范围：75。

关键词评分

world model

world simulator

generative world model

world dynamics prediction

interactive world model

model-based reinforcement learning world model

video world model

深度分析

创新点

用于运动规划的可扩展生成模型，学习驾驶场景动态
双模式自回归设计（full-autoregressive和partial-autoregressive），在不牺牲生成能力的情况下提高推理和训练速度
能够模拟多样化的未来并基于各种提示生成驾驶场景
统一模型，可作为强化学习的在线反应环境、规划策略评估器和高保真模拟器

方法

本文提出了一种生成模型，学习驾驶场景的动态。该模型以full-autoregressive和partial-autoregressive两种模式运行，以提高训练和推理效率。模型在Waymo运动数据集和nuPlan数据集上进行了仿真真实感、场景生成和规划基准的评估。

关键结果

该模型在仿真真实感和场景生成基准上达到了最先进的性能，并且其规划器在规划基准上优于先前的工作。

资源

论文代码