跳到正文
arXiv cs.AI· Baiting Luo, Shatadal Mishra, Ahmadreza Moradipari, Nejib Ammar·· 4 小时前AI 评分34

AR-WAM:面向自动驾驶的高效流式世界-动作模型

AR-WAM: efficient streaming world-action modeling for autonomous driving

AI 导读

AR-WAM 是一种面向自动驾驶的高效流式世界-动作模型,将自回归时序建模与单次前向的未来条件化结合,其因果视频骨干可增量更新视觉上下文并复用历史计算。仅用单个前摄像头,AR-WAM 在 NAVSIM-v1 上监督训练后达到 91.5 PDMS,经强化学习后提升至 94.0,优于对比的强端到端世界-动作模型。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:自动驾驶需要预测交通将如何演变,同时快速响应新的观测。视频基础模型提供了第一种能力,但重复的历史编码和迭代视频生成使其用于驾驶时成本高昂。我们提出 AR-WAM,一种高效的流式世界-动作模型,将自回归时间建模与单次前向的未来条件化相结合。由于其视频骨干网络是因果的,AR-WAM 增量更新其视觉上下文,复用过去的计算,并以观测到的运动为条件进行未来预测。我们进一步假设,从近期观测计算出的未来特征可以在无需迭代视频生成的情况下改善动态交通中的泛化能力。因此,AR-WAM 在一次前向传播中获取这些特征,并用它们来条件化轨迹生成,随后强化学习通过直接优化驾驶奖励来改进策略。仅使用单个前视摄像头,AR-WAM 在 NAVSIM-v1 上经过监督训练后达到 91.5 PDMS,经过强化学习后达到 94.0,优于所比较的强端到端世界-动作模型。在连续驾驶的动态设置中,监督式 AR-WAM 在决策之间保持其视觉历史,并优于强世界-动作基线。
主题: 计算机视觉与模式识别 (cs.CV);人工智能 (cs.AI);机器人学 (cs.RO)
引用为: arXiv:2611.21851 [cs.CV]
  (或此版本的 arXiv:2611.21851v1 [cs.CV])
  https://doi.org/10.48550/arXiv.2611.21851

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Baiting Luo [查看邮箱]
[v1] 2026年11月16日星期一 20:16:08 UTC(7,390 KB)

来源:arXiv cs.AI · arxiv.org