DriveWorld3D：面向真实自动驾驶的证据约束 3D 世界建模与生成式仿真
DriveWorld3D Evidence Constrained 3D World Modeling and Generative Simulation for Real-World Autonomous Driving
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Wei Wang (Robostreet research team Cambridge, MA, USA), Yiru Veronika Wang (Robostreet research team Cambridge, Yihan Wang (Robostreet research team Cambridge, Zihao Li (Robostreet research team Cambridge, Xiaohui Liang (Robostreet research team Cambridge
期刊信息（来源提供）：Copilot4D: Learning Unsupervised World Models for Autonomous Driving via Discrete Diffusion. arXiv:2311.01017, 2023
论文提出 DriveWorld3D 框架，将时序视频学习、多传感器测量约束与离线生成式仿真结合用于自动驾驶 3D 世界建模。其在线组件维护包含路面、体素占用、动态实体和道路关系的统一世界状态，并分离表示物理占用、可观测性与证据来源；离线组件用 NeRF 或 3D Gaussian Splatting 重建场景，再用生成模型扩展长尾条件，但限制生成内容作为几何真值。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org