arXiv cs.AI· Mozhgan Pourkeshavarz, Tianran Liu, Nicholas Rhinehart·· 14 小时前AI 评分31
AutoWorld：用自监督世界模型学习多智能体交通仿真
AutoWorld: Learning Multi-Agent Traffic Simulation with Self-Supervised World Models
AI 导读
AutoWorld 是一个基于 LiDAR 占据数据自监督世界模型的交通仿真框架，让智能体行为直接建立在原始传感器观测上，而非 3D 边界框等有损抽象。在 nuPlan 和 Waymo 上，该框架提升了生成真实感，部分观测场景收益更大，碰撞率降低 36%。它还采用级联 Determinantal Point Process 引导世界模型与运动模型的多样性采样，并支持可控、多样的安全关键场景生成。
正文 · AI 翻译
摘要：使用逼真的交通智能体进行仿真是验证自动驾驶系统的关键。现有的数据驱动模拟器从上游感知流程推断出的 3D 边界框和折线等高层抽象中学习智能体行为。这些有损抽象丢弃了直接影响智能体行为的感知上下文，限制了仿真旨在复现的分布真实性。为解决这一局限，我们提出 AutoWorld，一个交通仿真框架，它通过基于 LiDAR 占用数据训练的自监督世界模型，将智能体行为建立在原始传感器观测之上。给定世界模型样本，AutoWorld 构建由粗到细的预测场景上下文，作为多智能体运动生成模型的输入。此外，我们设计了一种运动感知的潜在监督目标，以丰富 AutoWorld 对场景动态的潜在表示。为在推理时更好地利用这一潜在空间，AutoWorld 采用级联行列式点过程框架，引导世界模型和运动模型进行多样性感知采样。在 nuPlan 和 Waymo 上的实验表明，AutoWorld 提升了生成的真实性，在轨迹抽象最为受限的部分观测场景中收益更大，将碰撞率降低了 36%。AutoWorld 在规划器控制的 ego 行为下也保持物理合理性，并支持可控、多样的安全关键场景生成。
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；机器学习（cs.LG） |
| 引用为： | arXiv:2603.28963 [cs.RO] |
| （或本版本使用 arXiv:2603.28963v3 [cs.RO]） | |
| https://doi.org/10.48550/arXiv.2603.28963 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Mozhgan Pourkeshavarz [查看邮箱]
[v1]
2026 年 3 月 30 日星期一 20:10:21 UTC（18,202 KB）
[v2]
2026 年 7 月 27 日星期一 15:18:15 UTC（10,873 KB）
[v3]
2026 年 10 月 26 日星期一 01:31:34 UTC（11,517 KB）
来源：arXiv cs.AI · arxiv.org