最近又回顾了下理想被 CVPR 2025 收录的一篇文章：《DrivingSphere: Building a High-fidelity 4D World for Closed-loop Simulation》

🔗论文链接：http://t.cn/AX0ZOlNo

大致意思就是传统开环评测通常是拿一段真实录像给智驾模型，模型输出轨迹，但环境不会因为模型的动作发生变化。这样能评估感知、规划是否接近参考答案，但很难测试真正的连续决策。DrivingSphere 做的是一个高保真闭环环境：模型输出动作以后，虚拟世界会更新，再重新生成下一时刻的视觉输入

它的技术结构大概可以理解成三层：
1️⃣第一层是先搭世界。不是直接用视频生成模型“画下一帧”，而是构建一个带时间维度的 4D Occupancy 世界，把静态道路、建筑，以及车辆等动态物体放进统一空间表达里。这个空间表达是后续所有生成和交互的“骨架”

2️⃣第二层是把世界渲染成智驾真正能看的画面。它再用 Visual Scene Synthesis，把 4D 世界转换成高保真、多摄像头、时间连续的视频。这点很关键，因为现在很多端到端/VLA 智驾最终吃的仍然是视觉传感器输入

3️⃣第三层才是真正的闭环：模型看画面 → 输出轨迹/控制 → Ego 位置改变 → 周围交通环境变化 → 世界重新更新 → 再生成新的视觉输入

它是先有一个明确的 4D 空间世界，再基于这个世界生成视觉结果。这样车道线、车辆距离、遮挡关系、道路拓扑这些几何和时空关系，会有一个相对稳定的锚点，不然完全依赖视频生成，自动驾驶这种场景很容易出问题

今天前车离你 10 米，下一帧偷偷变成 8 米；车道线位置漂了一点；遮挡关系变了；
对于普通视频可能看不出来，对于智驾测试来说，这些误差都会直接影响决策

所以这套思路本身是很 make sense 的本质上是在搭一个智驾模型可以真正“进去开车”的虚拟世界：模型做决策，世界给反馈，模型继续决策。犯错可以复现，极端场景可以重复测试，最后把智驾评测从【做题】慢慢变成【实战】
#理想汽车##懒博小课堂##大v聊车#