1. 项目概述
DriveLaW是由华中科技大学与小米联合研发的自动驾驶世界模型框架,其核心创新在于通过共享潜在空间表征,将视频生成与轨迹规划这两个传统上分离的任务深度耦合。这一设计突破了现有自动驾驶系统在长尾场景下的性能瓶颈,实现了从感知到决策的端到端优化。
作为一名长期关注自动驾驶技术发展的从业者,我认为DriveLaW最引人注目的特点是它重新定义了世界模型在自动驾驶系统中的角色。不同于传统方案将视频生成器仅视为"渲染器",DriveLaW创造性地将其定位为"特征提取器",充分利用生成模型中蕴含的物理规律理解来指导规划决策。这种链式架构设计使得模型在nuScenes视频生成任务中取得了4.6 FID和81.3 FVD的优异表现,同时在NAVSIM轨迹规划基准测试中达到了89.1 PDMS的SOTA水平——而且这些成绩是在不使用任何强化学习微调或后处理的情况下实现的。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心设计思路解析
2.1 现有世界模型方案的局限性
当前自动驾驶领域的世界模型应用主要存在三类典型架构:
世界模型模拟器:如VISTA、GAIA等,这类方案仅用于合成训练数据或作为闭环仿真环境。虽然能提供丰富的场景变体,但其物理理解无法直接传递到规划器的内部状态中,形成"数据孤岛"。
世界模型监督:以DriveVLA、DriveWorld为代表,通过预测未来视觉信号来监督轨迹生成。这类方法的问题在于规划过程仍然是外部指定的,模型缺乏对决策依据的内在理解。
统一世界模型:如Epona、DriveVLA-W0等尝试联合生成视频和轨迹。但这类架构通常将视频生成器与策略头解耦设计,导致"视觉想象"与"动作决策"之间存在表征鸿沟。
2.2 DriveLaW的链式架构创新
DriveLaW的核心突破在于将生成与规划从并行结构转变为链式连接。其设计灵感来源于人类驾驶的学习过程——我们首先通过观察大量驾驶场景形成对物理规律的直觉理解,然后才将这些认知应用于实际操作。
具体实现上,DriveLaW包含两个关键组件:
- DriveLaW-Video:时空视频生成器,通过高压缩比的3D因果卷积编码历史帧,再经过Video DiT块进行去噪生成
- DriveLaW-Act:基于扩散的规划器,直接以视频生成器的中层潜在特征为条
