SV-WAM：面向端到端自动驾驶的高效环视世界-动作模型

SV-WAM 是一个保留六路摄像头输入的环视世界-动作模型，目标是兼顾完整空间覆盖与高效推理。作者把未来视频预测用作动作学习的密集训练监督，而非推理阶段输出，核心是以动作为中心的因果掩码，使动作 token 在联合去噪时不关注未来视频 token，从而在部署时丢弃视频分支、只做动作规划。方法还引入可微的可行驶区域合规正则项，惩罚车辆足迹角点接近或越过可行驶边界。在闭环 NAVSIMv2 和开环 nuScenes 基准上，作者报告其规划性能达到当前最优，推理时延较低，并具备有竞争力的零样本迁移能力。论文为预印本，共 23 页、16 幅图。