【自动驾驶】自动驾驶世界模型为何如此高效?EPFL的MAD提出“先动后画”新范式

 主要传递正能量，顺便分享小知识

    《MAD: Motion Appearance Decoupling for efficient Driving World Models》是瑞士洛桑联邦理工学院（EPFL）与Valeo.ai、索邦大学合作的最新研究。

    在自动驾驶领域，构建能够生成逼真且物理规则一致的虚拟世界模型至关重要，但现有视频生成模型往往需要海量数据和巨大算力进行微调，成本高昂。

    EPFL团队提出的MAD框架，巧妙地借鉴了专业动画师的创作流程，将世界模型的构建分解为“动态推理”与“外观渲染”两个阶段。其核心创新在于，首先让模型在一个简化的“骨架”世界中学习物理和社会交互的动态规则，确保运动的合理性与一致性；然后，再利用同一骨干网络，根据这些抽象的动态序列“穿上”逼真的纹理和光影，合成最终的RGB视频。这种“先动后画”的解耦范式，实现了学习效率的飞跃。

    实验表明，基于SVD模型进行适配时，MAD仅需不到6%的计算量就能达到先前SOTA模型的性能。而扩展后的MAD-LTX模型，在全面支持文本、自车、物体等多模态控制的同时，性能超越了所有开源竞品。这为低成本、高效率地构建高保真自动驾驶仿真环境开辟了新路径。