TeraSim-World：面向端到端自动驾驶的全球安全关键数据合成

arXiv 25.9 2025 47.6 system, application

TLDR

TeraSim-World利用真实世界地图和视频生成为端到端自动驾驶合成逼真、地理多样化的安全关键数据。

评分理由

The paper presents a novel pipeline that combines real-world geospatial data with a video generation model to create safety-critical driving scenarios, addressing the sim-to-real gap. However, the abstract lacks empirical validation or comparison to existing methods, and the reliance on a video generation model may introduce artifacts.

Read-first 评分解释

综合优先阅读分 47.6，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 15。

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

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、评估、实验、结果

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：代码、数据集

主题相关性 42%

21.4

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

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：495。

关键词评分

world simulator

generative world model

video world model

world model

interactive world model

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

用于端到端自动驾驶的全球安全关键数据合成自动化流水线
将真实世界地理空间数据（地图、交通需求）与自然驾驶数据集集成以模拟智能体行为
使用前沿视频生成模型Cosmos-Drive实现照片级真实感、地理定位的传感器渲染
桥接智能体和传感器模拟以减少模拟与现实差距

方法

TeraSim-World从地理空间数据源中检索任意地点的真实世界地图和交通需求。它从自然驾驶数据集中模拟智能体行为，并编排多样化的逆境以创建边缘案例。最后，它使用Cosmos-Drive视频生成模型，根据同一地点的街景信息生成照片级真实感的传感器渲染，从而桥接智能体和传感器模拟。

关键结果

摘要未给出具体的实验结果；它描述了流水线的设计，并声称它为端到端自动驾驶系统的训练和评估提供了一个可扩展的关键数据合成框架。

技术栈

Geospatial data sourcesNaturalistic driving datasetsCosmos-DriveAgent simulationSensor simulation

资源

论文