The Role of World Models in Shaping Autonomous Driving: A Comprehensive Survey

驱动世界模型（DWM），专注于在驾驶过程中预测场景演变，作为一种有前途的范式在追求自动驾驶方面崭露头角。这些方法使自动驾驶系统能够更好地感知、理解和与动态驾驶环境互动。在这篇综述中，我们提供了DWM最新进展的全面概述。我们根据预测场景的模态对现有方法进行分类，并总结了它们对自动驾驶的具体贡献。此外，我们还回顾了具有高影响力的数据库和为DWM研究范围内不同任务定制的各种评估指标。最后，我们讨论了当前研究的潜在局限性，并提出了未来的研究方向。本综述为DWM的发展和应用提供了宝贵的见解，促进其在自动驾驶领域的更广泛应用。相关论文收集在 https://github.com/LMD0311/Awesome-World-Model。

该论文试图解决在自动驾驶领域中，如何更准确地预测驾驶场景的演变问题。这并不是一个全新的问题，但随着技术的发展，对预测模型的要求越来越高，特别是在复杂和动态的驾驶环境中。

关键思路在于通过Driving World Model (DWM) 来增强自动驾驶系统对环境的理解与交互能力。相比现有研究，本文提出了根据预测场景的不同模态来分类现有的方法，并总结这些方法对自动驾驶的具体贡献。此外，它还引入了新的评估指标以适应不同任务的需求。

论文全面回顾了最新的进展，包括高影响力的数据库和为特定任务定制的各种度量标准。文中提到的所有相关论文都被收集到了GitHub仓库中（https://github.com/LMD0311/Awesome-World-Model），这为后续研究提供了宝贵的资源。实验设计方面，虽然没有具体描述，但强调了对未来研究方向的讨论，如改进现有模型的局限性等。

近期在这个领域的其他相关研究包括：《A Survey on Autonomous Driving: Taxonomy, Challenges and New Trends》、《End-to-End Learning for Self-Driving Cars》、《Deep Learning for Predicting Human Activities Using Body-Mounted Sensors》等。