UniUGP：统一理解、生成与规划以实现端到端自动驾驶

arXiv 25.12 2025 44.4 method, benchmark, application

TLDR

UniUGP通过混合专家与四阶段训练统一理解、生成与规划，在长尾场景中达到SOTA。

评分理由

The paper proposes a novel framework integrating VLMs and video generation for AD, with strong empirical results on multiple datasets. However, the abstract lacks detailed evaluation metrics and may suffer from architectural complexity.

Read-first 评分解释

综合优先阅读分 44.4，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 18。

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、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

主题相关性 42%

25.7

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

排序敏感性

稳定性：volatile；排名波动范围：371。

关键词评分

world dynamics prediction

video world model

generative world model

world model

model-based reinforcement learning world model

world simulator

interactive world model

深度分析

创新点

统一理解-生成-规划框架（UniUGP），通过混合专家架构协同场景推理、未来视频生成与轨迹规划
四阶段训练策略，逐步在多个现有自动驾驶数据集和新构建的专用数据集上构建能力
构建多个专用数据集，为复杂场景提供推理与规划标注

方法

UniUGP将预训练的视觉语言模型（VLM）和视频生成模型集成到混合专家架构中。它以多帧观测和语言指令为输入，输出可解释的思维链推理、物理一致的轨迹以及连贯的未来视频。采用四阶段训练策略，在多个现有自动驾驶数据集及所提出的专用数据集上逐步构建这些能力。

关键结果

实验表明，在感知、推理和决策方面达到最先进性能，并在具有挑战性的长尾场景中展现出卓越的泛化能力。

资源

论文项目