SparseWorld-TC: 轨迹条件稀疏占用世界模型

arXiv 25.11 2025 34.2 method, application

TLDR

基于Transformer的稀疏占用世界模型，轨迹条件未来3D场景预测，nuScenes上SOTA。

评分理由

The paper presents a novel architecture that avoids VAE tokenization and BEV projection, directly predicting multi-frame occupancy from raw images. Its strength lies in the end-to-end transformer design and strong empirical results on a real-world benchmark. Weaknesses include lack of discussion on generalization beyond nuScenes and no comparison to generative or interactive world models.

Read-first 评分解释

综合优先阅读分 34.2，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 28。

近期性 6%

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

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：基准、指标

主题相关性 29%

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：代码

引用影响力 18%

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。引用数：0

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

排序敏感性

稳定性：volatile；排名波动范围：130。

关键词评分

world model

world dynamics prediction

generative world model

video world model

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

直接从原始图像特征端到端预测多帧未来占用，避免基于VAE的离散标记化
稀疏占用表示，绕过中间鸟瞰图（BEV）投影和显式几何先验
受GPT和VGGT启发的基于注意力的Transformer架构，有效捕捉时空依赖关系
轨迹条件预测，能够在任意未来轨迹下实现鲁棒的场景动态理解

方法

该方法使用稀疏占用表示和基于注意力的Transformer架构，直接从原始图像特征端到端预测多帧未来3D场景占用。它避免了通过VAE进行离散标记化的有限容量约束以及BEV投影的结构限制。

关键结果

在nuScenes基准测试中，针对1-3秒占用预测取得了最先进的性能，显著优于现有方法，并在任意未来轨迹条件下展示了鲁棒的场景动态理解能力。

资源

论文