通过 BEV 世界模型进行在线轨迹评价的端到端自动驾驶

基于摘要分析。本文研究端到端自动驾驶中的在线轨迹评价问题，提出 WoTE 框架：利用 BEV 世界模型预测给定轨迹对应的未来 BEV 状态，为轨迹评价提供未来后果信息。主要研究对象是自动驾驶的环境动态与规划安全性，并非 EEG 解码或 BCI 控制。 核心机制是将世界模型用于轨迹评价，而不只依靠当前环境状态判断轨迹优劣。作者称，相比图像级世界模型，BEV 空间的未来状态预测具有延迟效率优势，且可利用现成的 BEV 空间交通仿真器提供监督。摘要未说明模型架构、训练损失、轨迹条件输入方式、预测时域，以及评价结果如何参与最终规划。 作者报告，WoTE 在 NAVSIM benchmark 和基于 CARLA 仿真器的闭环 Bench2Drive benchmark 上取得最先进性能；摘要未提供具体指标、数值、数据划分或对照基线，因此不能核对领先幅度，也不能将不同评估协议的表现直接比较。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但代码完整性、运行依赖和复现条件尚未核验。 平台推测（待验证）：若面向具有明确环境状态与动作反馈的 BCI 辅助控制任务，可考察“预测动作后果，再评价候选轨迹”的决策机制；这不构成其改善 EEG 解码的证据。可复用的是未来状态预测与轨迹评价的组合思路，需要改造的是状态表示、控制接口及交互监督数据。EEG 低信噪比、跨被试差异与有限交互数据可能使控制意图和未来状态预测误差叠加。一个可检验的小实验是在固定 EEG 解码器与同一仿真控制任务下，对比加入和不加入未来状态评价时的任务完成率、碰撞率及控制延迟。已有 EEG 相关工作尚未检索确认。