DriveCache：面向驾驶世界模型推理的动作感知缓存

驾驶视频生成模型通过预测可控的未来场景支持自动驾驶研发，可用于仿真、规划评估与离线数据生成。基于扩散的驾驶生成器需要在多个去噪步骤上反复运行庞大骨干网络，这限制了生成吞吐量。现有扩散加速方法可以降低这一成本，但通用设计忽略了生成前即可获得的驾驶信号，例如自车速度与规划轨迹。跨驾驶动作的实验表明，缓存容忍度随自车平移与旋转、去噪进度以及连续复用长度而变化。我们提出DriveCache，一个免训练、动作感知的控制器，利用规划运动在场景之间分配复用，并在校准的响应预算下用动态规划在去噪步骤之间安排复用位置。当生成偏离校准时，因果漂移检查会刷新特征并重新规划剩余调度。在三种生成器配置上，DriveCache在保真度-效率整体权衡上优于所评估的缓存方法。我们的代码将公开。