从预测到规划：用于协同状态—动作预测的 Policy World Model

基于摘要分析。本文研究自动驾驶中世界模拟与轨迹规划相互脱节的问题，提出 Policy World Model（PWM），在统一架构内协同预测状态与动作，并通过不依赖动作的未来状态预测方案，利用所学世界知识辅助规划。 机制方面，PWM 的重点不只是联合建模，而是探索未来状态预测如何促进规划。为提高视频预测效率，作者还提出并行 token 生成机制，并配合上下文引导的 tokenizer 与自适应动态焦点损失（adaptive dynamic focal loss）。摘要未说明这些组件的具体结构、损失形式、训练监督及推理流程，相关机制仍需全文核对。 结果方面，作者报告：在仅使用前视摄像头输入的条件下，PWM 的表现达到或超过依赖多视角、多模态输入的方法。但摘要未提供数据集、评估任务、数据划分、具体指标或对照配置，不能据此量化优势，也不能确定比较结果在何种协议下成立。实验协议、消融及统计信息尚未验证。作者表示将发布代码，当前材料不能确认其已公开。 本文的主要研究对象是自动驾驶视频预测与轨迹规划，而非 EEG 解码或 BCI 控制。其协同状态—动作预测是否能迁移到神经信号闭环任务，尚缺少明确的数据结构与监督对应依据，因此不将原领域结果视为 BCI 有效性证据；已有 EEG 相关工作尚未检索确认。