世界模型

HEAT: Heterogeneous End-to-End Autonomous Driving via Trajectory-Guided World Models

HEAT: 基于轨迹引导的世界模型实现异构端到端自动驾驶

Hoonhee Cho, Giwon Lee, Jae-Young Kang, Hyemin Yang, Heejun Park, Kuk-Jin Yoon

机构 * KAIST（韩国科学技术院） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world models(title)；world model(title,abstract)；world models(title)

AI总结 本文提出一种基于轨迹引导的学习方法，通过规划轨迹组织训练，使模型能够捕捉驾驶意图的领域不变表示，并结合预测未来潜在特征的世界模型，提高特征一致性并缓解领域偏见，从而在多个异构数据集上实现强性能。

VLM-SAFE: Vision-Language Model-Guided Safety-Aware Reinforcement Learning with World Models for Autonomous Driving

VLM-SAFE: 基于世界模型的视觉-语言模型引导的安全强化学习用于自动驾驶

Yansong Qu, Zilin Huang, Zihao Sheng, Jiancong Chen, Yue Leng, Samuel Labi, Sikai Chen

机构 * Lyles School of Civil and Construction Engineering, Purdue University（普渡大学莱尔斯土木与建筑工程学院） ； Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系） ； Google（谷歌） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world models(title)；world model(title,abstract)；world models(title)

AI总结 本文提出VLM-SAFE框架，通过观察-想象-评估-行动闭环，利用视觉语言模型提供语义安全信号，结合世界模型预测未来轨迹，优化策略以提升自动驾驶的安全性和效率。

Comments N/A

GraphWorld: Long-Horizon Planning with World Models for End-to-End Autonomous Driving

GraphWorld: 基于世界模型的长时域规划实现端到端自动驾驶

Ziying Song, Caiyan Jia, Lin Liu, Lei Yang, Shengkai Zhang, Feiyang Jia, Fengda Zhao, Peiliang Wu, Shaoqing Xu, Chen Lv, Yadan Luo

机构 * Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence, School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院，交通数据挖掘与具身智能北京市重点实验室） ； School of Artificial Intelligence (School of Software), Yanshan University（燕山大学人工智能学院（软件学院）） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院） ； University of Macau（澳门大学） ； The University of Queensland（昆士兰大学） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world models(title)；world model(title,abstract)；world models(title)

AI总结 提出GraphWorld框架，通过潜在世界建模增强长时域规划，利用自车中心交互图建模邻车关系，并基于世界状态条件规划实现安全轨迹生成，显著降低碰撞率。

Comments 16 pages, 5 figures

Auto-JEPA: A Latent World Model of Continuous Intent for End-to-End Autonomous Driving

Auto-JEPA：面向端到端自动驾驶的连续意图隐式世界模型

Jiwei Yang, Zhengxian Chen, Chaosheng Huang, Jun Li

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；world models(abstract)；driving world model(abstract)

AI总结 Auto-JEPA是面向端到端自动驾驶的连续意图隐式世界模型，通过联合嵌入预测学习未来驾驶意图，无需密集未来世界建模，在NAVSIM数据集上取得优异规划性能，可聚焦规划相关视觉特征。

DrivingWorld: Constructing World Model for Autonomous Driving via Video GPT

DrivingWorld：通过视频GPT构建自动驾驶领域的世界模型

Xiaotao Hu, Mingkai Jia, Xiaoyang Guo, Qian Zhang, Xiao-xiao Long, Wei Yin

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；world models(abstract)；driving world model(abstract)

AI总结 本文提出名为DrivingWorld的自动驾驶GPT风格世界模型，通过时空融合等策略提升视频生成质量与时长，实现更优的可控未来视频生成效果。

Journal ref ICPR 2026

WM-Cov: Test Adequacy for Interactive World-Model-Style Autonomous Driving Simulation

WM-Cov：交互式世界模型式自动驾驶仿真的测试充分性

Jianxun Cui, Ping Wu, Stanisa Peric, Marko Milojkovic, Vladan Devedzic

机构 * School of Transportation Science and Engineering, Harbin Institute of Technology（哈尔滨工业大学交通科学与工程学院） ； Chongqing Research Institute of HIT（哈尔滨工业大学重庆研究院） ； Chongqing Changan Automobile Co., Ltd.（重庆长安汽车股份有限公司） ； University of Nis（尼什大学） ； University of Belgrade（贝尔格莱德大学） 纠错

专题命中 自动驾驶 ：world-model(title,abstract)；world-model(title,abstract)；world model(abstract)；world models(abstract)

AI总结 本文针对交互式世界模型式自动驾驶仿真测试的充分性问题，提出与提供方无关的 WM-Cov 评估层，经多组实验验证其可通过有效交互式证据收敛性更科学地评估测试效果。

Comments 11 pages, 6 figures, 7 tables

World4Drive: End-to-End Autonomous Driving via Intention-aware Physical Latent World Model

Yupeng Zheng, Pengxuan Yang, Zebin Xing, Qichao Zhang, Yuhang Zheng, Yinfeng Gao, Pengfei Li, Teng Zhang, Zhongpu Xia, Peng Jia, Dongbin Zhao

机构 * CASIA（中国科学院自动化研究所） ； Li Auto（力汽车） ； PCL（鹏城实验室） ； NUS（新加坡国立大学） ； Tsinghua（清华大学） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；world models(abstract)；driving world model(abstract)

Comments ICCV 2025, first version

CoIRL-AD: Collaborative-Competitive Imitation-Reinforcement Learning in Latent World Models for Autonomous Driving

CoIRL-AD：面向自动驾驶的潜在世界模型中的协作-竞争模仿-强化学习

Xiaoji Zheng, Ziyuan Yang, Yanhao Chen, Yuhang Peng, Yuanrong Tang, Gengyuan Liu, Bokui Chen, Jiangtao Gong

机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） 纠错

专题命中 自动驾驶 ：world model(title)；world models(title)；world model(title)；world models(title)

AI总结 提出CoIRL-AD框架，通过解耦模仿学习与强化学习、利用潜在世界模型进行长时程奖励估计以及引入竞争机制，在离线训练中提升自动驾驶的鲁棒性，尤其在跨城市泛化和长尾场景中表现优异。

Comments 19 pages, 22 figures, ICML 2026

DriveCache: Action-Aware Caching for Driving World Model Inference

DriveCache：面向驾驶世界模型推理的动作感知缓存

Jianchun Yang, Jian Liang, Xianda Guo, Pinhan Fu, Yanlun Peng, Conglang Zhang, Wenke Huang, Mang Ye

专题命中 自动驾驶 ：world model(title)；driving world model(title)；world model(title)；driving world model(title)

AI总结 针对扩散驾驶生成器吞吐量受限的问题，提出动作感知的DriveCache控制器，利用规划运动与动态规划优化缓存，提升保真度-效率权衡，代码将公开。

Comments 9 pages, 7 figures, 4 tables

LMGenDrive: Bridging Multimodal Understanding and Generative World Modeling for End-to-End Driving

LMGenDrive: 联合多模态理解与生成世界建模以实现端到端驾驶

Hao Shao, Letian Wang, Yang Zhou, Yuxuan Hu, Zhuofan Zong, Steven L. Waslander, Wei Zhan, Hongsheng Li

机构 * CUHK MMLab（香港中文大学多媒体实验室） ； University of Toronto（多伦多大学） ； UC Berkeley（加州大学伯克利分校） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；world models(abstract)；world models(abstract)

AI总结 本文提出LMGenDrive框架，结合LLM多模态理解与生成世界模型，提升自动驾驶的闭环性能，通过视频预测和控制信号生成，增强时空场景建模和指令遵循能力。

Doe-1: Closed-Loop Autonomous Driving with Large World Model

Wenzhao Zheng, Zetian Xia, Yuanhui Huang, Sicheng Zuo, Jie Zhou, Jiwen Lu

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；driving world model(abstract)；driving world model(abstract)

Comments Code is available at: https://github.com/wzzheng/Doe

HyWorldVLA: A Vision-Language-Action Model with Hybrid World Modeling for Autonomous Driving

HyWorldVLA：一种用于自动驾驶的具有混合世界建模的视觉-语言-动作模型

Quanfu Yu, Xian Wu, Hao Xu, Liulong Ma

机构 * Automotive New Technology Research Institute, BYD Company Limited（比亚迪汽车新技术研究院） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；world models(abstract)；world models(abstract)

AI总结 研究针对自动驾驶中视觉-语言-动作模型的不足，提出HyWorldVLA框架，统一像素级监督与潜在表征学习。预训练阶段预测视频潜在并重建帧，微调阶段预测潜在特征生成轨迹，实验表明其性能优于基线，还建立了世界模型噪声鲁棒性评估新基准。

Comments 20 pages with 13 figures

DeepSight: Long-Horizon World Modeling via Latent States Prediction for End-to-End Autonomous Driving

DeepSight: 通过潜在状态预测实现长视距世界建模的端到端自动驾驶

Lingjun Zhang, Changjie Wu, Linzhe Shi, Jiangyang Li, Jiaxin Liu, Lei Yang, Hang Zhang, Mu Xu, Hong Wang

机构 * Tsinghua University（清华大学） ； Amap, Alibaba Group（阿里巴巴集团Amap） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；driving world model(abstract)；driving world model(abstract)

AI总结 本文提出通过鸟瞰图空间预测连续未来帧的潜在语义特征，实现长视距世界建模，并引入高效适应性文本推理机制提升复杂场景下的驾驶性能。

Comments ICML 2026

Think Before You Drive: World Model-Inspired Multimodal Grounding for Autonomous Vehicles

在驾驶前思考：基于世界模型的多模态接地用于自动驾驶车辆

Haicheng Liao, Huanming Shen, Bonan Wang, Yongkang Li, Yihong Tang, Chengyue Wang, Dingyi Zhuang, Kehua Chen, Hai Yang, Chengzhong Xu, Zhenning Li

机构 * University of Macau（澳门大学） ； UESTC（电子科技大学） ； Purdue University（普渡大学） ； McGill University（麦吉尔大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；world models(abstract)；world models(abstract)

AI总结 本文提出ThinkDeeper框架，通过预测未来空间状态提升自动驾驶车辆的自然语言指令理解能力，结合超图引导解码器融合多模态输入，提出DrivePilot数据集并在多个基准测试中表现优异。

DreamerAD: Efficient Reinforcement Learning via Latent World Model for Autonomous Driving

DreamerAD：通过潜在世界模型实现高效的强化学习用于自动驾驶

Pengxuan Yang, Yupeng Zheng, Deheng Qian, Zebin Xing, Qichao Zhang, Linbo Wang, Yichen Zhang, Shaoyu Guo, Zhongpu Xia, Qiang Chen, Junyu Han, Lingyun Xu, Yifeng Pan, Dongbin Zhao

机构 * Institute of Automation, CAS（中国科学院自动化研究所） ； Chongqing Chang’an Technology Co., Ltd（重庆长安科技有限公司） ； School of Advanced Interdisciplinary Sciences, UCAS（中国科学院大学先进交叉科学学院） ； School of Artificial Intelligence, UCAS（中国科学院大学人工智能学院） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；world models(abstract)；world models(abstract)

AI总结 DreamerAD通过压缩扩散采样将步骤从100步减少到1步，实现80倍加速并保持视觉可解释性，解决了自动驾驶中真实世界数据训练成本高和安全风险大的问题。

Comments authors update

Uni-World VLA: Interleaved World Modeling and Planning for Autonomous Driving

Uni-World VLA：自主驾驶中的交织世界建模与规划

Qiqi Liu, Huan Xu, Jingyu Li, Bin Sun, Zhihui Hao, Dangen She, Xiatian Zhu, Li Zhang

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Li Auto Inc.（理想汽车） ； University of Surrey（萨里大学） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；world-model(abstract)；world-model(abstract)

AI总结 本文提出Uni-World VLA模型，通过交织未来帧预测与轨迹规划提升自主驾驶决策能力，结合单目深度信息增强场景预测。

Comments 22 pages, 8 figures. Submitted to ECCV 2026. Code will be released

UniDrive-WM: Unified Understanding, Planning and Generation World Model for Autonomous Driving

UniDrive-WM：面向自动驾驶的统一理解、规划和生成世界模型

Zhexiao Xiong, Xin Ye, Burhan Yaman, Sheng Cheng, Yiren Lu, Jingru Luo, Nathan Jacobs, Liu Ren

机构 * Bosch Research North America & Bosch Center for Artificial Intelligence (BCAI)（博世北美研究院与博世人工智能中心） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Arizona State University（亚利桑那州立大学） ； Case Western Reserve University（凯斯西储大学） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；world models(abstract)；world models(abstract)

AI总结 提出UniDrive-WM，一个基于VLM的统一世界模型，联合执行场景理解、轨迹规划和未来图像生成，在Bench2Drive上轨迹误差降低7.3%，碰撞率降低10.4%。

Comments Accepted to ECCV 2026. Project Page: https://unidrive-wm.github.io/UniDrive-WM

Xiaomi Auto World Model: A Joint World Model Integrating Reconstruction and Generation for Autonomous Driving

小米自动驾驶世界模型：一个融合重建与生成的联合世界模型

Lijun Zhou, Hongcheng Luo, Zhenxin Zhu, Cheng Chi, Mingfei Tu, Kaixin Xiong, Lei Gong, Zhanqian Wu, Zehan Zhang, Fangzhen Li, Hao Li, Yingying Shen, Jiale He, Haohui Zhu, Shan Zhao, Kai Wang, Zhiwei Zhan, Yuechuan Pu, Kaiyuan Tan, Ruiling Yang, Xianqi Wang, Tianyi Yan, Jiawei Zhou, Lei Zhang, Jingyang Zhao, Xi Zhou, Chitian Sun, Chenming Wu, Jiong Deng, Hongwei Xie, Ming Lu, Kun Ma, Long Chen, Guang Chen, Hangjun Ye, Bing Wang, Haiyang Sun

机构 * Xiaomi（小米） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；world models(abstract)；world models(abstract)

AI总结 提出一个统一技术系统，通过稀疏场景查询驱动的重建模块WorldRec和两阶段训练框架WorldGen，实现高保真3D场景表示与高质量因果视频生成，并联合优化以提升生成稳定性、跨帧一致性和视觉保真度。

Driving into the Future: Multiview Visual Forecasting and Planning with World Model for Autonomous Driving

Yuqi Wang, Jiawei He, Lue Fan, Hongxin Li, Yuntao Chen, Zhaoxiang Zhang

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；driving world model(abstract)；driving world model(abstract)

Comments Project page: https://drive-wm.github.io. Code: https://github.com/BraveGroup/Drive-WM

RiskWorld: Object-Centric Latent World Modeling for Autonomous Driving Risk Identification

RiskWorld：面向自动驾驶风险识别的以对象为中心的潜在世界建模

Jingzheng Li, Yufei Ge, Qianren Mao, Zhijun Chen, Bing Li, Xingyu Peng, Baochang Zhang, Xianglong Liu

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；latent dynamics(abstract)；分类 cs.LG、cs.RO

AI总结 提出 RiskWorld 模型，以对象为中心的潜在世界建模，结合预训练视频表示与自车-对象历史，在 RiskBench 上实现 63.0% F1 和 2.1% 误报率，可有效识别自动驾驶风险。

NVIDIA OmniDreams: Real-Time Generative World Model for Closed-Loop Autonomous Vehicle Simulation

NVIDIA OmniDreams：用于闭环自动驾驶仿真的实时生成式世界模型

NVIDIA, :, Aarti Basant, Amlan Kar, Despoina Paschalidou, Fangyin Wei, Francesco Ferroni, Guillermo Garcia Cobo, Haithem Turki, Huan Ling, Jaewoo Seo, James Lucas, Jay Zhangjie Wu, Jialiang Wang, Jonathan Lorraine, Jun Gao, Kai He, Katarina Tothova, Kevin Xie, Michał Tyszkiewicz, Qi Wu, Riccardo de Lutio, Ruilong Li, Sanja Fidler, Seung Wook Kim, Tianchang Shen, Tianshi Cao, Tobias Pfaff, William Lew, Xindi Wu, Xuanchi Ren, Yifan Lu, Yuxuan Zhang, Zan Gojcic, Zian Wang

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；分类 cs.AI、cs.CV、cs.RO

AI总结 提出OmniDreams，一个基于Cosmos扩散模型训练的基础生成式世界模型，通过自回归生成动作条件视频，实现闭环仿真中复杂长尾场景的实时合成，并验证其在策略模型训练中的有效性。

LWDrive: Layer-Wise World-Model-Guided Vision-Language Model Planning for Autonomous Driving

LWDrive: 基于逐层世界模型的视觉-语言模型自动驾驶规划

Chen Yang, Yuhao Wei, Ze Xu, Ziheng Zou, Shuang Liang, Delin Ouyang, Lingfeng Qi, Jie Li, Guofa Li

机构 * Chongqing University（重庆大学） 纠错

专题命中 自动驾驶 ：world-model(title,abstract)；world-model(title,abstract)；分类 cs.AI、cs.CV

AI总结 提出LWDrive框架，通过逐层世界模型引导，将VLM输出的粗轨迹逐步细化为几何精确、多视角感知的规划轨迹，在NAVSIM基准上取得92.0分。

U4D: Uncertainty-Aware 4D World Modeling from LiDAR Sequences

U4D：从LiDAR序列中构建不确定性感知的4D世界模型

Xiang Xu, Alan Liang, Youquan Liu, Linfeng Li, Lingdong Kong, Ziwei Liu, Qingshan Liu

机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； National University of Singapore（新加坡国立大学） ； Fudan University（复旦大学） ； S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； Nanjing University of Posts and Telecommunications（南京邮电大学） ； SKL-TI 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；分类 cs.CV、cs.RO

AI总结 本文提出U4D框架，通过估计空间不确定性图和分阶段生成方法，提升LiDAR序列的几何精度和时间一致性，推动自动驾驶感知与模拟的可靠性。

Comments CVPR 2026; 20 pages, 7 figures, 11 tables; Code at https://github.com/worldbench/U4D

4D-WAM: 4D Consistent World Modeling for Autonomous Driving

4D-WAM：面向自动驾驶的4D一致世界建模

Jiacheng Fu, Yibo Yuan, Meng Tian, Yue Li, Jiangtong Zhu, Jianhua Han, Yueyi Zhang, Jianwu Fang, Jianru Xue, Hang Xu, Zhiwei Xiong

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；分类 cs.CV

AI总结 本文提出4D-WAM模型，通过几何基础模型的训练时监督与面向决策的时间步长采样策略，提升自动驾驶中世界-动作模型的4D场景一致性，在NAVSIM-v1、NAVSIM-v2基准上实现最优性能。

Ego-Dynamics-Augmented World Model for Autonomous Driving with Zero-Shot Cross-Chassis Adaptation

用于零样本跨底盘自适应自动驾驶的自我动力学增强世界模型

Zhidong Wang, Jingsong Liang, Zirui Li, Zhan Chen, Han Yu, Chen Lv

机构 * School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与宇航工程学院） ； Collaborative Initiative, Interdisciplinary Graduate Programme, Nanyang Technological University（南洋理工大学跨学科研究生项目合作计划） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；分类 cs.RO

AI总结 研究针对自动驾驶中基于世界模型的强化学习问题，提出DynaDreamer方法，通过增强自我动力学先验改进世界模型，减少自我运动建模负担，实现零样本跨底盘自适应，实验证明该方法显著提升驾驶任务成功率。

Comments 13 pages, 13 figures

OWMDrive: Causality-Aware End-to-End Autonomous Driving via 4D Occupancy World Model

OWMDrive: 基于4D占用世界模型的因果感知端到端自动驾驶

Junjie Cheng, Ruiqi Song, Ye Wu, Nanxing Zeng, Ximiao Li, Yunfeng Ai

机构 * The School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Waytous Inc.（Waytous公司） ； The State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所多模态人工智能系统国家重点实验室） ； The College of Surveying and Geo-Informatics, Tongji University（同济大学测绘与地理信息学院） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；分类 cs.CV

AI总结 提出OWMDrive框架，利用4D占用世界模型预测多步3D占用，作为条件先验引导扩散规划器生成强化轨迹，显式建模时空因果依赖，提升复杂场景下的规划鲁棒性和安全性。

Comments International Conference on Intelligent Robots and Systems (IROS), 2026

ExploreVLA: Dense World Modeling and Exploration for End-to-End Autonomous Driving

ExploreVLA: 为端到端自动驾驶的密集世界建模与探索

Zihao Sheng, Xin Ye, Jingru Luo, Sikai Chen, Liu Ren

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；分类 cs.CV

AI总结 本文提出基于世界建模的统一理解与生成框架，通过密集监督和内在奖励提升自动驾驶策略探索能力，在NAVSIM和nuScenes基准上取得优异性能。

Comments Accepted to ECCV 2026. The code is available at https://zihaosheng.github.io/ExploreVLA/

ReactSim-Bench: Benchmarking Reactive Behavior World Model Simulation in Autonomous Driving

ReactSim-Bench：自动驾驶中反应性行为世界模型模拟的基准测试

Zhiyuan Zhang, Yanlun Peng, Jianing Zhang, Xianda Guo, Zehan Huang, Haoran Liu, Qifeng Li, Shaofeng Zhang, Xiaosong Jia, Junchi Yan

机构 * School of Computer Science & School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学计算机科学与技术学院、人工智能学院） ； Great Wall Motor（长城汽车） ； Institute of Trustworthy Embodied AI (TEAI), Fudan University（复旦大学可信具身人工智能研究所） ； School of Computer Science, Wuhan University（武汉大学计算机学院） ； University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；分类 cs.RO

AI总结 提出ReactSim-Bench，通过解耦自车与周围智能体控制，使用偏离日志的自车行为作为输入，评估行为世界模型模拟的反应性能力，并基于碰撞、地图和运动学指标系统评测多种模型。

Enhancing End-to-End Autonomous Driving with Latent World Model

Yingyan Li, Lue Fan, Jiawei He, Yuqi Wang, Yuntao Chen, Zhaoxiang Zhang, Tieniu Tan

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；分类 cs.CV

Comments ICLR 2025

LIDAR-AD: A Decoder-Free Latent-Interaction Dreamer with Action-Residual Chains for Autonomous Driving

LIDAR-AD：一种用于自动驾驶的无解码器潜在交互梦想家与动作残差链

Yongzhi Liu, Yang Xiao, Zhong Cao, Zeng Kang, Sunan Zhang, Zhaozhi Dong, Guojun Yu, Weichao Zhuang

机构 * School of Mechanical Engineering, Southeast University（东南大学机械工程学院） ； Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系） ； Xheart Technology Co., Ltd.（芯驰科技有限公司） 纠错

专题命中 自动驾驶 ：world model(abstract)；world models(abstract)；world-model(abstract)；world model(abstract)

AI总结 研究针对自动驾驶中多源观测冗余问题，提出LIDAR-AD，用减少冗余的潜在对齐取代观测重建，将车辆控制建模为残差动作更新，经实验验证其在模拟场景和现实布局下性能优异，能提升风险感知等能力。