GuidedWAM：面向自动驾驶世界动作模型的免训练能量引导
GuidedWAM: Training-Free Energy Guidance for World Action Models in Autonomous Driving
精选理由
无需重新训练即可在采样时为自动驾驶世界动作模型注入目标，提升驾驶表现且仅小幅增加推理耗时。
AI 摘要
用于自动驾驶的世界动作模型（WAMs）将驾驶策略与视觉世界模型耦合在单一生成网络中，其目标在训练后即固定不变。若要以新的驾驶目标为条件进行生成，则需要重新训练。我们研究了能量引导这一通用机制，并提出 GuidedWAM，这是一个模型无关的框架，可在采样时将驾驶目标注入冻结的 WAMs。该框架将每个目标构建为定义在采样器中间无噪声动作估计上的可微能量，仅需对冻结模型进行前向访问，并通过采样时引导调度、逐能量归一化和速度有界修正来保证稳定性。在 NAVSIM v2 高难度划分上，以三个采样器随机种子的结果取平均后，引导使三个已公开发布且冻结的 WAMs 的 EPDMS 均提升了 1.8 至 3.6，同时每步采样时间的增幅低于 10%。这些结果表明，能量引导可作为 WAMs 实用的训练后控制通道。