arXiv cs.AI· Tianhui Cai, Xinglong Sun, Chao Fang, Zhenxin Li, Rui Song, Jose M. Alvarez, Yunxiang Mao, Jiaqi Ma, Langechuan Liu·· 9 天前AI 评分22
AffordDrive3D：面向自动驾驶的可供性与几何感知世界-动作模型
AffordDrive3D: Affordance-Aware World-Action Modeling with Spatial Understanding
AI 导读
AffordDrive3D 是一个可供性与几何感知的世界-动作模型，联合学习未来动作相关区域与空间结构，在 VLM 主干上预测可行驶区域和碰撞关键区域，并从 RGB 世界模型隐变量预测未来几何。在 NAVSIM 上，该模型以 91.3 PDMS 和 89.9 EPDMS 取得 SOTA 表现，验证了联合建模未来可供性与几何对轨迹规划的有效性。
正文 · AI 翻译
摘要：世界-动作模型近来通过联合学习未来场景预测与轨迹生成，提升了自动驾驶能力。大多数现有方法主要通过 RGB 外观来建模未来，近期工作已开始引入几何预测以提升空间理解。然而，稠密几何描述的是整个场景的空间布局，并未指出哪些部分与自车动作最为相关。对于驾驶而言，模型还必须识别并预判其可以安全移动的位置以及哪些区域可能构成碰撞风险。联合建模动作相关区域与未来几何，可以为策略同时提供与驾驶相关的线索及其对应的空间结构。因此，我们提出 AffordDrive3D，一种可供性与几何感知的世界-动作模型，能够联合学习未来动作相关区域与空间结构。为了捕捉驾驶可供性预测所需的场景语义与驾驶上下文，我们将 AffordDrive3D 构建在 VLM 主干之上，以预测直接影响自车运动的可行驶区域与碰撞关键区域，同时从 RGB 世界模型潜变量预测未来几何。在 NAVSIM 上，AffordDrive3D 以 91.3 PDMS 和 89.9 EPDMS 达到最先进性能，证明了联合建模未来可供性与几何对轨迹规划的有效性。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.11060 [cs.CV] |
| （或本版本使用 arXiv:2610.11060v1 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2610.11060 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Tianhui Cai [查看邮箱]
[v1]
2026年10月8日星期四 01:16:38 UTC（15,620 KB）
来源：arXiv cs.AI · arxiv.org