arXiv cs.AI· Ruiguo Zhong, Xiaolong Chen, Benshan Ma, Lang Zhang, Mingyue Feng, Yaonong Wang, Pei Liu, Jun Ma·· 11 小时前AI 评分31
DA-WAM：面向驾驶世界模型的决策对齐未来潜变量
DA-WAM: Decision-Aligned Future Latents for Driving World Models
AI 导读
DA-WAM 将 JEPA 与候选级轨迹打分结合，为每条候选轨迹生成独立未来潜变量，并用多头打分器估计规划因素与整体效用。该方法在 NAVSIM-v1、NAVSIM-v2 和 Bench2Drive 上取得基于摄像头的学习型规划器中的 SOTA 表现。针对几何相似但安全结果不同的轨迹，安全关键后训练与 hard negatives 进一步提升了区分能力。
正文 · AI 翻译
摘要：面向自动驾驶的世界模型应当预测对驾驶决策有影响的后果，而不是重建未来场景的每一个细节。然而，仅靠预测性表征并不能保证区分会导致不同规划结果的候选动作。this http URL 提出了 DA-WAM，一种决策对齐的世界动作模型，它将联合嵌入预测架构（JEPA）与候选级轨迹评分相结合。在联合训练过程中，JEPA 目标使未来表征扎根于观测到的场景动态，而规划目标则鼓励这些表征捕捉与安全性和效用相关的区分信息。一个以动作为条件的预测器为每条候选轨迹生成一个不同的未来潜变量，而一个多头轨迹评分器则利用相应的潜变量来估计规划因素和整体效用。此外，使用困难负样本进行的安全关键后训练进一步提升了在几何相似但安全结果不同的轨迹之间的区分能力。DA-WAM 在 NAVSIM-v1、NAVSIM-v2 和 Bench2Drive 上取得了基于学习的相机规划器中的最先进性能。消融研究证明了每个组件在驾驶决策中的有效性。
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2608.19085 [cs.RO] |
| （或使用 arXiv:2608.19085v3 [cs.RO] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2608.19085 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ruiguo Zhong [查看邮箱]
[v1]
2026年8月19日 星期三 16:33:02 UTC（2,743 KB）
[v2]
2026年8月20日 星期四 06:46:02 UTC（2,741 KB）
[v3]
2026年10月18日 星期日 12:20:37 UTC（1,925 KB）
来源：arXiv cs.AI · arxiv.org