Horizo​​nDrive：用于长视野驾驶模拟的自校正自回归世界模型

闭环驾驶模拟需要超越短离线剪辑的实时交互，从而将当前的驾驶世界模型推向自回归（AR）的采样轨迹。现有的 AR 蒸馏 方法通常依赖于sink 帧或学生端退化训练。由于快速的自我运动和快速的场景变化，前者转移到驾驶的能力很差，而后者仍然受到教师的单通道输出长度的限制，因此仅提供有限的监督视野。一个自然的问题是：教师本身是否可以通过 AR 的采样轨迹进行扩展，以有限的内存成本提供无限的视野监督？关键的困难在于，标准教师会根据自己的预测而漂移，从而污染了其提供的监督。我们的主要见解是让教师能够进行部署，确保通过其自己的 AR 部署进行可靠的监督。它被实例化为 Horizo​​nDrive，一个用于 AR 驾驶模拟的防漂移训练和 蒸馏 框架。首先，计划采样轨迹恢复 (SRR) 训练基础模型，从预测损坏的历史中重建 真值 未来剪辑，从而产生在长期 AR 采样轨迹过程中保持稳定的教师。其次，具有采样轨迹能力的教师通过 AR 采样轨迹进行扩展，在有限内存下提供长视野分布匹配监督，而短窗口学生则通过教师采样轨迹 DMD (TRD) 与其对齐，以实现高效的实时部署。 Horizo​​nDrive原生支持有限内存下的分钟级AR部署；在 nuScenes 上，相对于最强的长视界流媒体基线，Horizo​​nDrive 将 FID 降低了 52%，将 FVD 降低了 37%，将 ARE 和 DTW 降低了 21% 和 9%，同时保持与单通道驱动视频生成器的竞争力。