超越DriveVLA-W0！DriveLaW：世界模型表征一统生成与规划（华科&小米）

主要观点总结

本文介绍了DriveLaW，一种统一的潜在世界模型，旨在解决自动驾驶中视频生成与运动规划之间的脱节问题。该模型包括时空生成模块DriveLaW-Video和基于扩散的规划器DriveLaW-Act。通过采用噪声重注入机制、三阶段渐进式训练策略等技术，DriveLaW在nuScenes和NAVSIM基准测试中达到了最先进的性能。论文还介绍了相关工作的背景、方法、实验结论等。

关键观点总结

关键观点1: 研究背景

自动驾驶中的世界模型旨在将物理世界的结构与动力学内化为预测性的潜在表征。近期，世界模型在自动驾驶中的应用已经取得了显著进展，但仍然面临规划层面的贡献往往是间接的或与规划器并行的问题，缺乏与决策过程的紧密耦合。

关键观点2: 研究方法

本文提出了DriveLaW，一个统一的世界模型框架，旨在通过共享潜在空间表征将视频生成与轨迹规划深度耦合。其核心由两部分组成：时空视频生成器DriveLaW-Video和基于扩散的规划器DriveLaW-Act。通过采用噪声重注入机制、时空VAE、视频Transformer结构等技术，实现了高保真视频生成和稳定轨迹规划。

关键观点3: 实验结果

在nuScenes数据集上的生成评估中，DriveLaW超越了以往的所有单视图方法，达到了最先进的性能。在NAVSIM基准测试中，DriveLaW获得了89.1的PDMS，超越了传统的端到端规划器和其它世界模型方法。此外，增加视频生成器的预训练样本量持续提升了DriveLaW的闭环性能。

关键观点4: 结论

本文提出的DriveLaW统一了驾驶视频生成和规划决策过程，通过共享潜在空间表征，实现了端到端的自动驾驶。实验结果证明了该方法的有效性。