4D-WAM：自动驾驶的 4D 一致世界建模

新兴世界动作模型（WAM）通过联合建模未来驾驶场景演变和轨迹规划，在自动驾驶方面展现了良好的性能。然而，现有的 WAM 通常使用视频数据进行训练，而视频数据只是底层 4D 驾驶场景的 2D 投影。因此，WAM 无法理解和捕获 4D 场景的结构，从而生成视觉上合理但 4D 不一致的未来预测，从而误导下游规划。为了缓解这个问题，我们提出了 4D-WAM，这是一种利用几何基础模型进行训练时监督的模型，以实现 4D 一致的世界建模。具体来说，我们将 WAM 预测的未来帧输入几何基础模型，并使用 4D 感知响应来定义 4D 一致性损失。这种损失鼓励模型在训练期间理解、表示和预测物理一致的 4D 场景，而无需额外的推理成本。此外，我们发现了 WAM 中的早期决策现象，并提出了一种面向决策的时间步采样策略，该策略强调在主要形成驱动决策的早期高噪声阶段进行监督。通过将 4D 监督传播到这个关键的决策阶段，所提出的策略进一步改进了轨迹规划。大量实验表明，4D-WAM 可以有效地模拟 4D 一致场景演化，并在具有挑战性的 NAVSIM-v1 和 NAVSIM-v2 基准测试中实现最先进的性能。