arXiv cs.AI· Wei Wang (Robostreet research team Cambridge, MA, USA), Yiru Veronika Wang (Robostreet research team Cambridge, MA, USA), Yihan Wang (Robostreet research team Cambridge, MA, USA), Zihao Li (Robostreet research team Cambridge, MA, USA), Xiaohui Liang (Robostreet research team Cambridge, MA, USA)·· 11 小时前AI 评分38
DriveWorld3D：证据约束的 3D 世界建模与真实自动驾驶生成式仿真
DriveWorld3D Evidence Constrained 3D World Modeling and Generative Simulation for Real-World Autonomous Driving
AI 导读
DriveWorld3D 框架将时序视频学习、多传感器测量约束与离线生成式仿真结合，在线部分维护包含路面、体占据、动态实体与道路关系的统一世界状态，并区分物理占据、可观测性与证据来源。
正文 · AI 翻译
摘要：面向自动驾驶的三维建模必须在有限计算资源下持续估计道路几何、障碍物占据、交通参与者行为与观测不确定性。现有重建方法能够合成逼真的新视角，但视觉保真度不足以刻画驾驶所需的几何可靠性。生成式世界模型可以扩展场景并预测未来观测，但可能引入测量不支持的内容。我们提出 DriveWorld3D，一个结合时序视频学习、多传感器测量约束与离线生成式仿真的框架。其在线组件维护一个统一世界状态，包含道路表面、体素占据、动态实体与道路关系，同时分别表示物理占据、可观测性与证据来源。动作条件未来预测与风险敏感规划将该表示与驾驶决策相连。其离线组件使用神经辐射场或 3D Gaussian Splatting 重建记录场景，然后利用生成模型扩展长尾条件，同时限制生成内容作为几何真值的使用。我们规定了数据划分、传感器消融、故障注入、配对闭环测试以及真实到仿真一致性评估。核心假设是：显式证据管理能够在匹配的计算预算内减少危险的虚假自由空间预测与遮挡风险，同时保持可接受的驾驶效率。所有性能声明仍须经实验验证。关键词：自动驾驶；3D 占据；传感器融合；不确定性；生成式世界模型；NeRF；3D Gaussian Splatting；闭环仿真
| 评论： | 10 页 |
| 主题： | 机器人学 (cs.RO)；人工智能 (cs.AI) |
| MSC 分类： | 14J60（主分类） |
| ACM 分类： | I.3.7 |
| 引用为： | arXiv:2610.22450 [cs.RO] |
| （或 arXiv:2610.22450v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22450 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 期刊 参考： | Copilot4D: Learning Unsupervised World Models for Autonomous Driving via Discrete Diffusion. arXiv:2311.01017, 2023 |
提交历史
来自：Wei Wang [查看邮箱]
[v1]
2026 年 10 月 15 日星期四 15:48:11 UTC（1,232 KB）
来源：arXiv cs.AI · arxiv.org