OccDirector：面向 4D 占用空间的语言引导行为与交互生成
计算机视觉与模式识别
2026-04-27 v1
摘要
生成式世界模型日益依赖 4D 占用（occupancy）实现真实的自动驾驶仿真。然而，现有生成框架依赖刚性几何条件（如显式轨迹）或简单属性级文本，难以协调复杂的、顺序的多智能体交互。为此，我们提出 OccDirector，一个将自然语言脚本映射到物理上可行的体素动态的先进框架，作为“情景导演”运行。技术上，它采用基于 VLM 的时空 MMDiT，并引入历史前缀锚定策略以确保长时程交互一致性。进一步，我们引入 OccInteract-85k，这是一个新型数据集，包含多级语言指令标注：从静态布局到复杂的多智能体行为，并提出一种新的基于 VLM 的评估基准。广泛的实验表明，OccDirector 实现了最先进的生成质量和前所未有的指令遵循能力，成功地将范式从外观合成转向语言驱动的行为编排。
引用
@article{arxiv.2604.22240,
title = {OccDirector: Language-Guided Behavior and Interaction Generation in 4D Occupancy Space},
author = {Zhuding Liang and Tianyi Yan and Dubing Chen and Jiasen Zheng and Huan Zheng and Cheng-zhong Xu and Yida Wang and Kun Zhan and Jianbing Shen},
journal= {arXiv preprint arXiv:2604.22240},
year = {2026}
}