Map-World：面向自动驾驶的掩码动作规划与路径积分世界模型
计算机视觉与模式识别
2025-11-26 v1 机器人学
摘要
自动驾驶的运动规划必须在保持计算效率的同时处理多种可能的未来情形。最近的端到端系统和基于世界模型的规划器会预测丰富的多模态轨迹，但通常依赖手工锚点或强化学习来选择训练和控制的单一最佳模式。这种选择会丢弃关于备选未来的信息，并增加优化的复杂性。我们提出MAP-World（Masked Action Planning and Path-Integral World Model），一个无先验假设的多模态规划框架，将掩码动作规划与路径加权世界模型耦合。掩码动作规划（MAP）模块将未来的自主运动视为掩码序列完成：过去的路径点被编码为可见标记，未来路径点被表示为掩码标记，同时提供动作意图路径的粗略框架。紧凑的隐式规划状态通过注入噪声扩展为多个轨迹查询，生成多样且在时间上一致的模式，而无需锚点库或教师策略。随后，一个轻量级世界模型在每个候选轨迹上conditioned地滚动预测未来的基于鸟瞰图（BEV）语义。在训练期间，语义损失以模式的期望计算，其中轨迹概率作为离散路径权重，使规划器从完整的合理未来分布中学习，而非仅从单一选定路径学习。在NAVSIM基准上，我们的方法在保持实时推理延迟的同时，匹配基于锚点的 methods，并在基于世界模型的方法中取得最新性能。
引用
@article{arxiv.2511.20156,
title = {Map-World: Masked Action planning and Path-Integral World Model for Autonomous Driving},
author = {Bin Hu and Zijian Lu and Haicheng Liao and Chengran Yuan and Bin Rao and Yongkang Li and Guofa Li and Zhiyong Cui and Cheng-zhong Xu and Zhenning Li},
journal= {arXiv preprint arXiv:2511.20156},
year = {2025}
}