世界模型在塑造自动驾驶中的作用：一项全面综述

arXiv 25.02 2025 67.2 survey

TLDR

自动驾驶中驾驶世界模型的全面综述，涵盖模拟器、数据集、模态和应用。

评分理由

The paper provides a thorough categorization of DWM approaches and ecosystem components, which is a strength. However, as a survey, it lacks novel contributions or experimental results, and the depth of analysis may be limited.

Read-first 评分解释

综合优先阅读分 67.2，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 52。

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%

74.3

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、评估、指标

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：113。

关键词评分

world model

video world model

world dynamics prediction

generative world model

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

全面概述了驾驶世界模型（DWM）生态系统，包括模拟器、数据集和评估指标
基于预测场景模态（视频、点云、占用、潜在特征、交通地图）对DWM方法进行分类
比较了代表性DWM方法在生成和驾驶任务上的性能

方法

本综述通过考察主流模拟器、高影响力数据集和多维度评估指标，系统回顾了DWM生态系统。它根据预测场景的模态（视频、点云、占用、潜在特征、交通地图）对现有DWM方法进行分类，并总结了它们在自动驾驶研究中的应用。同时展示了代表性方法在生成和驾驶任务上的性能。

关键结果

该综述提供了DWM方法的全面概述和性能比较，展示了它们在场景预测和驾驶任务中的有效性，并指出了潜在局限性和未来方向。

资源

论文