三思而后行：受世界模型启发的自动驾驶多模态定位

arXiv 25.12 2025 39.1 method, application

TLDR

受世界模型启发的自动驾驶视觉定位框架，通过推理未来空间状态消除自然语言指令歧义。

评分理由

The paper introduces a novel integration of world model principles for spatial reasoning in autonomous driving, supported by strong empirical results across multiple benchmarks and a new dataset. However, the abstract lacks discussion of limitations and the world model is narrowly applied to grounding rather than general simulation.

Read-first 评分解释

综合优先阅读分 39.1，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：基线、基准、数据集、评估

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、数据集

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

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：378。

关键词评分

world model

world dynamics prediction

generative world model

world simulator

interactive world model

video world model

model-based reinforcement learning world model

深度分析

创新点

受世界模型启发，在做出定位决策前先推理未来空间状态
空间感知世界模型（SA-WM），将场景提炼为指令感知的潜在状态并展开未来潜在状态
超图引导的解码器，层次化融合潜在状态与多模态输入以捕获高阶空间依赖关系
DrivePilot数据集，其语义标注由检索增强生成（RAG）和思维链（CoT）提示的大语言模型流水线生成

方法

ThinkDeeper使用空间感知世界模型（SA-WM），将当前场景提炼为指令感知的潜在状态，并展开一系列未来潜在状态。然后，超图引导的解码器将这些状态与多模态输入进行层次化融合，以捕获高阶空间依赖关系，实现鲁棒定位。该模型在六个基准上进行了评估，包括Talk2Car、DrivePilot、MoCAD和RefCOCO/+/g。

关键结果

ThinkDeeper在Talk2Car排行榜上排名第一，并在DrivePilot、MoCAD和RefCOCO/+/g基准上超越了最先进的基线方法。它在具有挑战性的场景（长文本、多智能体、模糊性）中表现出强大的鲁棒性和效率，即使在仅使用50%数据训练时仍能保持优越性能。

资源

论文