STAGE：一种面向长时域驾驶场景仿真的流式生成世界模型

IROS 25 2025 59.3 method, application

TLDR

STAGE是一种自回归生成世界模型，通过分层时间注意力和多阶段训练实现长时域驾驶视频模拟。

评分理由

The paper introduces a novel framework with HTFT and multi-stage training to address error accumulation and feature misalignment in long-horizon driving video generation. Strengths include clear methodology and empirical results on Nuscenes; weaknesses are limited discussion of real-world deployment and lack of interactive or RL aspects.

Read-first 评分解释

综合优先阅读分 59.3，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 43。

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

主题相关性 42%

61.4

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

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：数据集、实验

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：无；数据：无；命中信号：数据集、GitHub

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：214。

关键词评分

world model

generative world model

video world model

world simulator

world dynamics prediction

interactive world model

model-based reinforcement learning world model

深度分析

创新点

分层时间特征迁移（HTFT），该技术将时间建模与去噪过程分离，并在帧间传递去噪特征以增强时间一致性
多阶段训练策略，将训练分为三个阶段，通过模型解耦和自回归推理模拟加速收敛并减少误差累积
具有分层特征协调和多阶段优化的自回归框架，用于可持续的长时域视频合成

方法

STAGE是一个自回归框架，引入了分层时间特征迁移（HTFT）和多阶段训练策略。HTFT通过分离时间建模与去噪过程并在帧间传递去噪特征来增强时间一致性。多阶段训练将训练分为三个阶段，通过模型解耦和自回归推理模拟加速收敛并减少误差累积。实验在Nuscenes数据集上进行。

关键结果

STAGE在长时域驾驶视频生成任务中显著超越现有方法，在Nuscenes数据集上生成了600帧高质量驾驶视频，远超现有方法所能达到的最大长度。

技术栈

STAGEHTFTNuscenes dataset

资源

论文项目