HorizonDrive：用于长时域驾驶模拟的自校正自回归世界模型

arXiv 2026 56 method, application

TLDR

HorizonDrive通过调度滚动恢复和教师滚动DMD，提出了一种自纠正自回归世界模型，用于长时域驾驶模拟。

评分理由

The paper presents a novel training-and-distillation framework that addresses drift in autoregressive rollout by making the teacher rollout-capable, enabling unbounded-horizon supervision. Strengths include a clear problem formulation and a practical solution for long-horizon simulation, but the abstract lacks explicit real-world validation or empirical benchmarks, limiting evidence of practical impact.

Read-first 评分解释

综合优先阅读分 56，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 53。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

77.7

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.77700905

主题相关性 29%

75.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：463。

关键词评分

world model

generative world model

world dynamics prediction

world simulator

interactive world model

video world model

model-based reinforcement learning world model

深度分析

创新点

调度滚动恢复（SRR）训练基础模型从预测污染的历史中重建真实未来片段，得到一个在长自回归滚动中保持稳定的教师模型。
教师滚动DMD（TRD）使短窗口学生模型能够与具备滚动能力的教师模型对齐，实现高效的实时部署。

方法

HorizonDrive是一个抗漂移的训练与蒸馏框架，用于自回归驾驶模拟。首先，调度滚动恢复（SRR）训练基础模型从预测污染的历史中重建真实未来片段，产生一个在长自回归滚动中保持稳定的教师模型。然后，具备滚动能力的教师模型通过自回归滚动扩展，在有限内存下提供长时域分布匹配监督，同时短窗口学生模型使用教师滚动DMD（TRD）与之对齐，以实现高效的实时部署。

关键结果

在nuScenes上，HorizonDrive相比最强的长时域流式基线，FID降低52%，FVD降低37%，ARE和DTW分别降低21%和9%，同时与单次驾驶视频生成器保持竞争力。

技术栈

Autoregressive world modelScheduled rollout recovery (SRR)Teacher rollout DMD (TRD)nuScenes

资源

论文