SparseWorld: 一种灵活、自适应且高效的4D占用世界模型，由稀疏动态查询驱动

arXiv 25.10 2025 60.1 method

TLDR

SparseWorld提出一种使用稀疏动态查询的4D占用世界模型，实现灵活、自适应、高效的感知、预测和规划。

评分理由

The paper introduces a novel approach with range-adaptive perception and state-conditioned forecasting, achieving state-of-the-art results across multiple tasks. However, it focuses narrowly on occupancy representation and does not address generative or interactive capabilities, limiting its scope.

Read-first 评分解释

综合优先阅读分 60.1，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 33。

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：GitHub

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：消融、实验

主题相关性 42%

47.1

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

研究版图角色

前沿论文复现锚点

排序敏感性

稳定性：volatile；排名波动范围：342。

关键词评分

world model

world dynamics prediction

video world model

generative world model

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

Range-Adaptive Perception模块：通过自车状态和时空关联调制可学习查询，实现扩展范围感知
State-Conditioned Forecasting模块：用回归引导公式替代基于分类的预测，使动态查询与4D连续性对齐
Temporal-Aware Self-Scheduling训练策略：用于平滑高效训练

方法

SparseWorld是一种使用稀疏动态查询的4D占用世界模型。它采用Range-Adaptive Perception模块，其中可学习查询由自车状态调制并通过时空关联增强。State-Conditioned Forecasting模块使用回归引导公式而非分类来捕捉场景动态。训练由Temporal-Aware Self-Scheduling策略促进。

关键结果

SparseWorld在感知、预测和规划任务上实现了最先进性能，全面的可视化和消融研究验证了其灵活性、适应性和效率。

资源

论文代码