三维建模在自动驾驶中需要持续估计道路几何、障碍占用、交通参与者行为以及观测不确定性，同时受限于计算资源。
现有重建方法能够合成逼真的新视角，但视觉保真度不足以描述驾驶所需的几何可靠性。生成式世界模型可以扩展场景并预测未来观测，却可能引入未被测量支持的内容。
我们提出 DriveWorld3D 框架，融合时序视频学习、多传感器测量约束和离线生成式仿真。在线部分维护统一的世界状态，包含路面、体素占用、动态实体和道路关系，并分别记录物理占用、可观测性和证据来源。
基于动作的未来预测和风险感知规划将该表示与驾驶决策相连。离线部分使用神经辐射场或三维高斯点云重建记录场景，然后利用生成模型扩展长尾条件，但生成内容仅用于情景扩展，不作为几何真值。
我们给出数据划分、传感器消融、故障注入、闭环测试以及真实到仿真一致性评估的方法。核心假设是显式证据管理能够在匹配的计算预算下降低危险的自由空间误判和遮挡风险，同时保持可接受的驾驶效率。所有性能声明仍需实验验证。
点评