本稿では、SparseWorldという新しい4D占有世界モデルを提案しています。このモデルは、従来の静的で固定的な埋め込みやグリッドに依存せず、動的かつスパースなクエリを使用することで柔軟性、適応性、効率性を実現しています。Range-Adaptive Perceptionモジュールを導入し、エゴ車両の状態によって調整される学習可能なクエリを使用して、時間的および空間的な関連性を強化します。また、State-Conditioned Forecastingモジュールにより、回帰指導型の予測を実現し、ダイナミックなクエリと4D環境の連続性を整合させます。さらに、Temporal-Aware Self-Schedulingトレーニング戦略を設計し、スムーズで効率的な学習を可能にしています。実験結果では、SparseWorldが認識、予測、計画タスクにおいて最先端の性能を発揮することが示されています。