论文导读
香港科技大学、地平线、香港中文大学、南开大学等机构提出WALT，让自动驾驶规划器更好地利用视觉世界模型已经学到的道路信息。它先把行车轨迹转成紧凑的内部表示，再与路况画面的表示对齐，而不是直接让模型吐出一串坐标。在NAVSIM评测中，规划计算量比论文基线降低30.5%，两套评分略有提升，展示了“少算一点，也能更懂路况”的可能。
看懂道路和决定怎么开，是两回事
自动驾驶系统可能已经能从摄像头中识别车道、车辆和道路变化，甚至预测接下来画面会怎么变。可到了真正选择行车路线时，系统还要把这些丰富的视觉信息转换成一条具体轨迹。若直接从视觉特征生成一组位置坐标，相当于让一位会看地图的人只用几个数字交代驾驶计划；重要的路况关系可能在转换中丢失。
WALT关注的不是换一个更大的世界模型，而是修补这个“视觉理解到轨迹规划”的接口。研究团队保留预训练世界模型，先让另一部分学会把轨迹压成可比较的内部表示，再使它与视觉特征处在更接近的表达空间。最后，轨迹解码器才把紧凑表示还原成可执行的行驶路径。图中的上下两阶段分别对应“学会表达轨迹”和“在驾驶图像上使用这份表达”。
图：上半部训练轨迹压缩表示，下半部将其接入冻结的视觉世界模型进行规划。
为什么这样可能省算力
直接预测大量细粒度坐标，规划模块要处理许多与视觉特征不在同一层次的数值。WALT改用紧凑的轨迹表示作为中间语言，使规划器先决定“朝什么样的道路形态走”，再恢复具体轨迹。论文报告，规划部分计算量从基线的297.5 GFLOPs降到206.9 GFLOPs，约减少30.5%。这指的是论文所测模块的浮点运算量，不是整辆车功耗或芯片价格直接下降30.5%。
研究者还展示了刹车、直行、转弯与弯道等场景。图片上方是道路画面，中间是模型对画面区域的响应，下方则把规划轨迹与参考轨迹并列。它说明模型在不同路况中有可观察的对齐行为，但单张热图不是“安全性已获验证”的证据；真正的判断仍要结合完整基准与实车测试。
图：四种道路情境下的视觉响应和预测轨迹与参考轨迹对照。
分数提升有多大
在NAVSIMv1上，论文给出的PDMS由89.4升至89.8；在NAVSIMv2上，EPDMS达到87.9，比对照方案高0.6分。分数提升幅度并不夸张，真正值得关注的是它与规划计算量下降同时出现。这是一组特定离线评测结果，不能直接推断现实道路上的事故率或所有城市路况的驾驶体验。
论文还比较了直接坐标、另一种轨迹表征和WALT表征。图中的点云显示不同类型驾驶动作在内部空间的分布，热图则呈现类别之间的关系。这些分析帮助解释“对齐”在模型内部可能发生了什么，却不应被单独解读为某项驾驶任务已经落地。
图：不同轨迹编码方式的动作类别分布、相似度与相关性对照。
从基准走向车端，还要补哪一步
WALT的实用启发是，已有视觉世界模型不必完全重训，也可能通过一个更好的轨迹接口服务驾驶规划。这对车端计算预算有限的系统尤其有吸引力。不过，论文目前证明的是在NAVSIM条件下的模型与规划器表现；传感器故障、极端天气、交通参与者突发行为以及车规级延迟，仍需要独立测试。下一步的重点应是把这种表示对齐放进完整驾驶栈，检验它是否在真实时间约束下保持同样的收益。
