PPR-2405.04390
Paper
DriveWorld: 4D Pre-Trained Scene Understanding via World Models for Autonomous Driving
| id | |
|---|---|
| updated | |
| type | paper |
| title | DriveWorld: 4D Pre-Trained Scene Understanding via World Models for Autonomous Driving |
| authors | Chen Min, Dawei Zhao, Liang Xiao, Jian Zhao, Xinli Xu, Zheng Zhu |
| venue | CVPR 2024 (arXiv:2405.04390) |
| arxiv | 2405.04390 |
| tier | 1 |
| lifecycle | EXTRACTED |
| epistemic | n/a |
| ingested | 2026-09-10 |
| version | arXiv:2405.04390v1 |
| source-hash | sha256:1485e3f6fb647f528d08cd22dee22ce713d22c4401be6186ef72c60e28d26ae6 |
| admitted-under | A2-direct-edge |
| admission-note | 被 Latent-WAM、DA-WAM 直接引用为“用时序预测增强场景表示”一类的代表。 |
定位
Min 等（CVPR 2024）提出 DriveWorld。论文指出视觉中心自动驾驶的预训练多依赖 2D 或 3D 预文本任务，忽略自动驾驶作为 4D 场景理解任务的时序特性。为此提出基于世界模型的 4D 表示学习框架，可从多相机驾驶视频做时空预训练：核心是记忆状态空间模型（Memory State-Space Model），含动态记忆库（Dynamic Memory Bank，学时序感知的潜动态以预测未来变化）与静态场景传播（Static Scene Propagation，学空间感知的潜静态以提供完整场景上下文）；另引入任务提示（Task Prompt）解耦不同下游任务的特征。
与本库的关系
- 准入身份：A2-direct-edge（被 Latent-WAM、DA-WAM 直接引用）。
- 谱系定位：世界模型预训练线。DA-WAM 把 DriveWorld 归入“用时序预测增强场景表征、预测预训练与规划器优化阶段分离”一类，是本卡与 DA-WAM 定位段论述的锚点；与 LAW（PPR-2406.08481）、World4Drive（PPR-2507.00603）同族。
Provenance
- Tier-0 轻量 ingest（S2 元数据）：
version/source-hash占位（待补）。
关联（7）
- PPR-2406.08481 Enhancing End-to-End Autonomous Driving with Latent World Model
- PPR-2507.00603 World4Drive: End-to-End Autonomous Driving via Intention-Aware Physical Latent World Model
- PPR-2603.24581 Latent-WAM: Latent World Action Modeling for End-to-End Autonomous Driving
- PPR-2608.19085 DA-WAM: Decision-Aligned Future Latents for Driving World Models
- FRM-2311.16038 OccWorld 五层重建（骨架）：核心对象是在 3D 占据空间里做世界建模——以 VQ-VAE 式自监督场景 tokenizer 把 3D 占据压成离散高层 token（BEV 化 + 类别嵌入 + 码本），再以 GPT 式但“一次预测一组 token”的空间-时序生成 transformer（空间自注意力 + 2×2 窗口层次化下采样 K 次 + 各尺度子世界模型）同时生成未来占据与 ego 轨迹；公理层含『物体框预测无法捕捉更细粒度场景信息』与『占据只给低层级理解、需自监督 token 化』。
- FRM-2405.04390 DriveWorld 五层重建（骨架）：核心对象是面向 4D 场景理解的驾驶世界模型预训练——记忆状态空间模型把沿时间传达的信息拆成时序感知的潜动态（动态记忆库：后验/先验状态分布匹配 + 运动感知层归一化）与空间感知的潜静态（静态场景传播：取某帧 BEV 特征作潜结构、不做形变对齐），以 3D/4D 占据预测为 pretext，并用 LLM 文本产生的任务提示解耦各下游任务的表示；公理层含『既有视觉预训练多为 2D/3D pretext 忽略时序』与『占据比深度/2D 重建给出更完备几何先验』。
- IDX-001 NAVSIM 规划线