DynFlowDrive：用于自动驾驶的基于流的动态世界建模

近期，世界模型被引入自动驾驶系统以提升规划可靠性。现有方法通常通过外观生成或确定性回归预测未来状态，限制了其捕捉轨迹依赖的场景演化能力，导致动作规划不可靠。为此，本文提出 DynFlowDrive，一种利用基于流动力学的潜在世界模型，用于建模不同驾驶动作下的世界状态转移。该模型采用整流流公式，学习描述场景状态随驾驶动作变化的速度场，从而实现未来潜在状态的渐进式预测。在此基础上，进一步引入稳定性感知的多模态轨迹选择策略，根据诱导场景转移的稳定性评估候选轨迹。实验表明该方法在多个基准上显著提升了各类驾驶框架的性能，且未增加额外推理开销。