解决自动驾驶中的角落案例：基于世界模型的混合专家方法
计算机视觉与模式识别
2025-10-28 v1 人工智能
摘要
准确可靠的运动预测是自动驾驶车辆（AVs）安全部署的关键，尤其是在被称为“角落案例”的稀有但安全关键情境中。现有模型由于训练数据中常见场景的过度代表以及有限的泛化能力，往往在这些情境下表现不佳。为此，我们提出了WM-MoE，首个基于世界模型的运动预测框架，统一了感知、时序记忆和决策，以应对高风险角落案例情境的挑战。该模型构建紧凑的场景表示，解释当前观察，预判未来动态，并评估潜在行动的结果。为增强长程推理能力，我们利用大语言模型（LLM），并引入轻量级时序标记化器，将代理轨迹和情境线索映射到LLM的特征空间，无需额外训练，从而丰富时序上下文和常识先验。此外，引入混合专家（MoE）以将复杂角落案例分解为子问题，并在情境类型之间分配计算资源，同时引入路由器将场景分配给专门的专家，以推断代理意图并执行反事实滚动。我们还引入了nuScenes-corner基准数据集，包含四个真实世界的角落案例情境，以进行严格评估。在四个基准数据集（nuScenes、NGSIM、HighD和MoCAD）上的大量实验表明，WM-MoE在角落案例和数据缺失情境下均稳居领先，表明基于世界模型的架构为实现AVs中稳健且可泛化的运动预测具有前景。
引用
@article{arxiv.2510.21867,
title = {Addressing Corner Cases in Autonomous Driving: A World Model-based Approach with Mixture of Experts and LLMs},
author = {Haicheng Liao and Bonan Wang and Junxian Yang and Chengyue Wang and Zhengbin He and Guohui Zhang and Chengzhong Xu and Zhenning Li},
journal= {arXiv preprint arXiv:2510.21867},
year = {2025}
}