面向自动驾驶的世界模型
不同于仅生成视频，基于占据的世界模型会在体素化的三维空间中预测场景演化。OccWorld将三维占据状态离散为令牌，并以自回归方式同时预测未来占据状态与自车运动；Drive-OccWorld则进一步引入动作条件，并基于占据状态进行规划。
这类方法以体素化的真实占据状态作为监督信号，因此需要占据标注来构建预测空间。相比之下，GeoWAM无需真实占据标注，而是利用现成几何基础模型生成的稠密度量点图作为目标，学习未来几何结构；训练时只需使用RGB图像。
视觉几何模型
驾驶场景还提出了更多要求，包括远距离度量精度、随时间变化的运动、环视观测，以及不同相机配置带来的显著差异。DVGT采用以自车为中心的建模方式，借助分解式时空注意力，从多帧、多视角图像中预测度量点图与自车位姿；DVGT-2则将这种几何表示进一步扩展到自动驾驶动作建模。
然而，现有视觉几何模型主要重建观测图像中已经呈现的场景。GeoWAM将视觉几何学习从重建拓展到预测，通过预测未来点图来学习场景动态，并将几何表示与轨迹规划衔接起来。
NAVSIM V2上的规划
表2在navtest划分上比较了GeoWAM、基于感知的规划器以及近期的世界动作模型。GeoWAM取得90.2的EPDMS，相比DVGT-2初始化提升0.6分，并在表中获得最高综合得分。
此外，它在DDC和TLC两项指标上也达到最佳成绩，同时在其他安全性与进度指标上保持竞争力。这些结果共同证明，结合确定性轨迹解码器的视觉几何建模方式是有效的。
结论
我们提出了GeoWAM，一种面向自动驾驶的视觉几何世界动作模型。GeoWAM不通过生成未来图像来建模场景演化，而是在特征级监督和稠密点图监督下，根据历史多视角观测预测未来几何特征。
完成几何预训练后，GeoWAM采用类似逆动力学的建模方式，从预测的几何动态中推断未来自车令牌，并通过几何条件动作头将其映射为自车轨迹。这种两阶段设计无需合成未来图像，便能将预测得到的几何知识直接迁移到规划任务中。
GeoWAM将几何演化置于观测与动作之间，为自动驾驶中的世界动作建模提供了一种具有空间依据的方案。
常见问题
GeoWAM是什么？ GeoWAM是一种面向自动驾驶的视觉几何世界动作模型。
GeoWAM采用什么监督信号？ 它使用由几何基础模型生成的特征级监督和稠密点图监督，训练时只需RGB图像。
GeoWAM如何将几何预测与规划连接起来？ 它从预测的几何动态中推断未来自车令牌，再通过几何条件动作头将其映射为自车轨迹。
GeoWAM在NAVSIM V2的navtest划分上表现如何？ 它取得90.2的EPDMS，相比DVGT-2初始化提升0.6分。