⌁ Awesome World Model Hub 论文 · 数据集 · 项目
English GitHub
← 返回论文列表

面向自动驾驶的车辆动力学嵌入世界模型

arXiv 25.12 2025 48.1 method, application

TLDR

提出VDD，一种将自车动力学与环境动力学解耦的世界模型，用于模拟环境中的鲁棒自动驾驶。

评分理由

The paper clearly addresses a key limitation in existing world models for autonomous driving by separating vehicle and environment dynamics, and introduces practical training/deployment strategies. However, it lacks real-world validation and does not discuss generative or interactive aspects, limiting its scope.

Read-first 评分解释

综合优先阅读分 48.1，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 35。

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%
50

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%
50

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：实验

可复现性 25%
30

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：无

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：434。

关键词评分

world model
9
world dynamics prediction
8
model-based reinforcement learning world model
8
world simulator
4
generative world model
3
interactive world model
2
video world model
1

深度分析

创新点

  • 在世界模型中将自车动力学与环境转移动力学解耦
  • 部署中的策略调整（PAD）策略
  • 训练中的策略增强（PAT）策略

方法

本文提出了车辆动力学嵌入的Dreamer（VDD）方法，该方法将自车动力学的建模与环境转移动力学解耦。引入了两种策略：部署中的策略调整（PAD）和训练中的策略增强（PAT）以增强策略鲁棒性。在模拟环境中与现有方法进行了评估。

关键结果

所提出的VDD方法显著提高了驾驶性能和对车辆动力学变化的鲁棒性，在综合模拟实验中优于现有方法。

资源

论文

标签