SparseWorld：通过稀疏场景表示的世界模型增强端到端自动驾驶

arXiv 2026 61.8 method, application

TLDR

SparseWorld用稀疏场景表示预测未来驾驶场景，提升端到端规划并降低碰撞风险。

评分理由

The paper introduces a novel sparse representation for world models, reducing computational cost while achieving state-of-the-art results on nuScenes and Bench2Drive benchmarks. However, the evaluation is limited to open-loop metrics on nuScenes and closed-loop on Bench2Drive, and potential limitations or failure cases are not discussed.

Read-first 评分解释

综合优先阅读分 61.8，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 46。

近期性 6%

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 18%

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、基准、数据集、实验、指标

引用影响力 18%

71.2

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。归一化引用分位：0.71235298

主题相关性 29%

65.7

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 18%

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：数据集、GitHub

引用速度 12%

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

前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：419。

关键词评分

world model

world dynamics prediction

generative world model

interactive world model

model-based reinforcement learning world model

video world model

world simulator

深度分析

创新点

用于世界模型的稀疏场景表示，以减少计算成本和冗余信息
自回归展开以预测未来地图元素和周围智能体
具有联合时空注意力的Sparse Dreamer，用于在潜在空间中预测未来实例
利用预测的未来来优化运动预测和轨迹规划

方法

SparseWorld是一种轻量级世界模型，首先执行自回归展开以预测未来地图元素和周围智能体，使模型能够学习驾驶场景如何随时间演变。然后，它利用这些预测的未来通过Sparse Dreamer在潜在空间中通过联合时空注意力预测未来实例，从而优化下游运动预测和轨迹规划。运动规划器与预测的未来实例交互，以捕获更准确的运动模式并生成安全感知的轨迹。

关键结果

SparseWorld在nuScenes数据集的开环规划指标上实现了最先进的性能，碰撞率为0.05%，并在Bench2Drive基准的闭环规划指标上大幅优于基线方法。

资源

论文