世界模型

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

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。

DriveVA: Video Action Models are Zero-Shot Drivers

DriveVA: 视频动作模型是零样本驱动器

Mengmeng Liu, Diankun Zhang, Jiuming Liu, Jianfeng Cui, Hongwei Xie, Guang Chen, Hangjun Ye, Michael Ying Yang, Francesco Nex, Hao Cheng

机构 * University of Twente（特温特大学） ； Xiaomi EV（小米电动汽车） ； University of Cambridge（剑桥大学） ； University of Bath（巴斯大学） 纠错

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

AI总结 DriveVA提出了一种新的自动驾驶世界模型，通过共享潜在生成过程联合解码未来视觉预测和动作序列，提升跨数据集和传感器配置的泛化能力，减少碰撞率和误差。

Comments Accepted to ECCV 2026. 30 pages, 12 figures, 11 tables

ReSim: Reliable World Simulation for Autonomous Driving

ReSim：面向自动驾驶的可靠世界模拟

Jiazhi Yang, Kashyap Chitta, Shenyuan Gao, Long Chen, Yuqian Shao, Xiaosong Jia, Hongyang Li, Andreas Geiger, Xiangyu Yue, Li Chen

机构 * The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） ； OpenDriveLab at Shanghai AI Lab（上海人工智能实验室OpenDrive实验室） ； NVIDIA Research（NVIDIA研究） ； Xiaomi EV（小米电动车） ； Shanghai Jiao Tong University（上海交通大学） ； University of Tübingen, Tübingen AI Center（图宾根大学，图宾根人工智能中心） ； HKUST（香港科技大学） 纠错

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

AI总结 本文提出ReSim模型，通过整合真实数据与模拟数据提升自动驾驶场景模拟的可靠性与可控性，提升规划和策略选择性能。

Comments NeurIPS 2025 Spotlight. Project page: https://opendrivelab.com/ReSim

Discrete-WAM: Unified Discrete Vision-Action Token Editing for World-Policy Learning

Discrete-WAM：面向世界-策略学习的统一离散视觉-动作标记编辑

Ziyang Yao, Haochen Liu, Yuncheng Jiang, Zeyu Zhu, Zibin Guo, Jingru Wang, Tianle Liu, Jianwei Cui, Kuiyuan Yang, Hongwei Xie, Jingwei Zhao, Guang Chen, Hangjun Ye

机构 * Xiaomi EV（小米电动车） 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 提出Discrete-WAM，通过将未来视觉状态和自车动作对齐为离散标记，构建统一离散扩散框架，实现世界建模、世界-动作策略和分层决策策略的联合学习，支持可控生成和反事实推理，提升自动驾驶决策可靠性。

CoWorld-VLA: Thinking in a Multi-Expert World Model for Autonomous Driving

CoWorld-VLA：面向自动驾驶的多专家世界模型中的思考

Minqing Huang, Yujiao Xiang, Zihan Liang, Jiajie Huang, Jingqi Wang, Zhi Xu, Feiyang Tan, Hangning Zhou, Mu Yang, Gong Che

机构 * Afari Intelligent Drive（Afari智能驾驶公司） ； University of Electronic Science and Technology of China（电子科技大学） ； Shanghai Jiao Tong University（上海交通大学） ； Beijing University Of Posts and Telecommunications（北京邮电大学） ； Tianjin University（天津大学） 纠错

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

AI总结 本文提出CoWorld-VLA，通过多专家世界推理框架，利用显式条件指导动作规划，提升自动驾驶的场景生成与路径规划性能。

BEVWorld: A Multimodal World Simulator for Autonomous Driving via Scene-Level BEV Latents

Yumeng Zhang, Shi Gong, Kaixin Xiong, Xiaoqing Ye, Xiaofan Li, Xiao Tan, Fan Wang, Jizhou Huang, Hua Wu, Haifeng Wang

机构 * Baidu Inc.（百度公司） 纠错

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

Comments 10 pages

Diffusion Transformer World-Action Model for AV Scene Prediction

扩散Transformer世界-动作模型用于自动驾驶场景预测

Ruslan Sharifullin, Benjamin Jiang, Kai Xi Chew

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 提出紧凑潜世界模型，结合扩散Transformer（DiT）预测未来场景，在nuScenes上实现4.8倍更好的KID，并实现动作可控性（转向ρ=0.81）。

Comments 10 pages, 9 figures, 2 tables

Constructing the Umwelt: Cognitive Planning through Belief-Intent Co-Evolution

构建环境：通过信念-意图共演的认知规划

Shiyao Sang

机构 * Shiyao Sang（桑世尧） 纠错

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

AI总结 本文提出基于信念-意图共演的认知规划方法，通过MBCWM和TIWM模型实现环境与现实的认知一致性，提升自动驾驶规划性能并展现类人认知行为。

Comments 12 pages, 8 figures. A paradigm shift from reconstructing the world to understanding it: planning through Belief-Intent Co-Evolution

Out-of-Sight Embodied Agents: Multimodal Tracking, Sensor Fusion, and Trajectory Forecasting

视线外的具身智能体：多模态跟踪、传感器融合与轨迹预测

Haichao Zhang, Yi Xu, Yun Fu

机构 * Department of Electrical and Computer Engineering, Northeastern University（东北大学电气与计算机工程系） ； Khoury College of Computer Sciences, Northeastern University（东北大学库里计算机科学学院） 纠错

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

AI总结 本文提出改进的视线外轨迹预测方法，通过视觉定位去噪模块提升轨迹预测性能，实验表明在Vi-Fi和JRDB数据集上达到最优效果，为自动驾驶、机器人和监控提供新方向。

Comments Published in IEEE Transactions on Pattern Analysis and Machine Intelligence (Early Access), pp. 1-14, March 23, 2026

Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, 2026

End-to-end Autonomous Driving: Challenges and Frontiers

Li Chen, Penghao Wu, Kashyap Chitta, Bernhard Jaeger, Andreas Geiger, Hongyang Li

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

Comments Accepted by IEEE TPAMI

Towards Knowledge-driven Autonomous Driving

Xin Li, Yeqi Bai, Pinlong Cai, Licheng Wen, Daocheng Fu, Bo Zhang, Xuemeng Yang, Xinyu Cai, Tao Ma, Jianfei Guo, Xing Gao, Min Dou, Yikang Li, Botian Shi, Yong Liu, Liang He, Yu Qiao

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

Enhanced Transfer Learning for Autonomous Driving with Systematic Accident Simulation

Shivam Akhauri, Laura Zheng, Ming Lin

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

Comments 9 pages; IROS 2020

IDOL: Inverse-Dynamics-Guided Future Prediction for End-to-End Autonomous Driving

IDOL: 逆动力学引导的未来预测用于端到端自动驾驶

Chenghao Zhang, Timin Li, Dongmei Li

机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） 纠错

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

AI总结 提出IDOL框架，通过逆动力学模型将BEV世界模型预测的未来潜在场景状态转化为规划相关的轨迹增量，实现未来预测与轨迹优化的紧密耦合，在NAVSIM基准上达到最优性能。

Comments 20 pages, 5 figures

Latent-WAM: Latent World Action Modeling for End-to-End Autonomous Driving

潜在世界动作建模：端到端自动驾驶的潜在世界建模

Linbo Wang, Yupeng Zheng, Qiang Chen, Shiwei Li, Yichen Zhang, Zebin Xing, Qichao Zhang, Xiang Li, Deheng Qian, Pengxuan Yang, Yihang Dong, Ce Hao, Xiaoqing Ye, Junyu han, Yifeng Pan, Dongbin Zhao

机构 * Institute of Automation, Chinese Academy of Sciences（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 Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Zhongguancun Academy（中关村学院） 纠错

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

AI总结 本文提出Latent-WAM框架，通过空间感知和动态感知的潜在世界表示实现高效端到端自动驾驶，实验显示在NAVSIM v2和HUGSIM上取得新的SOTA结果。

Foundation Models in Autonomous Driving: A Survey on Scenario Generation and Scenario Analysis

自动驾驶中的基础模型：场景生成与场景分析的综述

Yuan Gao, Mattia Piccinini, Yuchen Zhang, Dingrui Wang, Korbinian Moller, Roberto Brusnicki, Baha Zarrouki, Alessio Gambi, Jan Frederik Totz, Kai Storms, Steven Peters, Andrea Stocco, Bassam Alrifaee, Marco Pavone, Johannes Betz

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

AI总结 本文综述了基础模型在自动驾驶场景生成与分析中的应用，探讨了相关模型、方法及挑战。

Comments IEEE Open Journal of Intelligent Transportation Systems

Journal ref IEEE Open Journal of Intelligent Transportation Systems, 03 February 2026

From Human Intention to Action Prediction: Intention-Driven End-to-End Autonomous Driving

从人类意图到动作预测：意图驱动的端到端自动驾驶

Huan Zheng, Yucheng Zhou, Tianyi Yan, Jiayi Su, Hongjun Chen, Dubing Chen, Xingtai Gui, Wencheng Han, Runzhou Tao, Zhongying Qiu, Jianfei Yang, Jianbing Shen

机构 * SKL-IOTSC, CIS, University of Macau（澳门大学SKL-IOTSC、CIS） ； Zhejiang ZEEKR Automobile Research & Development Co., Ltd.（浙江浙汽汽车研究院有限公司） 纠错

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

AI总结 本文提出意图驱动的端到端自动驾驶框架，通过引入新的评估协议和两种解决方案范式，提升自动驾驶对高层次人类意图的理解和实现能力。

UMAD: Unsupervised Mask-Level Anomaly Detection for Autonomous Driving

Daniel Bogdoll, Noël Ollick, Tim Joseph, Svetlana Pavlitska, J. Marius Zöllner

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

Comments Daniel Bogdoll and Noël Ollick contributed equally. Accepted for publication at BMVC 2024 RROW workshop

Grid-Centric Traffic Scenario Perception for Autonomous Driving: A Comprehensive Review

Yining Shi, Kun Jiang, Jiusi Li, Zelin Qian, Junze Wen, Mengmeng Yang, Ke Wang, Diange Yang

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