PPR-2506.24113
Paper
Epona: Autoregressive Diffusion World Model for Autonomous Driving
| id | |
|---|---|
| updated | |
| type | paper |
| title | Epona: Autoregressive Diffusion World Model for Autonomous Driving |
| authors | Kaiwen Zhang, Zhenyu Tang, Xiaotao Hu, Xingang Pan, Xiaoyang Guo, Yuan Liu |
| venue | ICCV 2025 (arXiv:2506.24113) |
| arxiv | 2506.24113 |
| tier | 1 |
| lifecycle | EXTRACTED |
| epistemic | n/a |
| ingested | 2026-09-10 |
| version | arXiv:2506.24113v1 |
| source-hash | sha256:3d0f56e3c57195954e084982d6ec5cfeb8d22af3dd1fdf3e58caf4dc8f019b4d |
| admitted-under | A2-direct-edge |
| admission-note | 被 Latent-WAM 直接引用为“经显式视频生成学规划”一类代表。 |
定位
Zhang 等（ICCV 2025）提出 Epona。论文指出：扩散模型在视频生成上视觉质量突出，适合驾驶世界建模，但既有视频扩散世界模型难以做变长、长时程预测，也难以整合轨迹规划——原因是它们依赖对固定长度帧序列做全局联合分布建模，而非在每步顺序构造局部化分布。Epona 用两项设计回应：解耦的时空分解（把时序动态建模与细粒度未来世界生成分开）与模块化的轨迹与视频预测（把运动规划与视觉建模整合进端到端框架）。由此支持高分辨率、长时程生成，并引入链式前向训练策略以应对误差累积。
与本库的关系
- 准入身份：A2-direct-edge（被 Latent-WAM 直接引用）。
- 谱系定位：视频扩散世界模型中处理长时程的一支。Latent-WAM（PPR-2603.24581）把它与 DriveVLA-W0（PPR-2510.12796）归为“显式视频生成学规划”组，并指其计算开销大、中间表示偏向与规划无关的视觉细节。
Provenance
- Tier-0 轻量 ingest（S2 元数据）：
version/source-hash占位（待补）。
关联（6）
- PPR-2309.17080 GAIA-1: A Generative World Model for Autonomous Driving
- PPR-2405.17398 Vista: A Generalizable Driving World Model with High Fidelity and Versatile Controllability
- PPR-2510.12796 DriveVLA-W0: World Models Amplify Data Scaling Law in Autonomous Driving
- PPR-2603.24581 Latent-WAM: Latent World Action Modeling for End-to-End Autonomous Driving
- FRM-2506.24113 Epona 五层重建（骨架）：核心对象是把驾驶世界建模重构为“时间域上的顺序未来预测”的自回归扩散世界模型——既不像视频扩散那样对固定长度帧序列做全局联合分布建模（破坏因果时序），也不像 token 式自回归那样逐 token 预测（弱化空间相关并扭曲高频），而是分离出策略 π（TrajDiT 预测轨迹）与整帧条件分布 p（VisDiT 生成下一帧），由多模态时空 transformer 编码历史，并用 chain-of-forward 训练抑制自回归误差累积；世界模型因此可同时充当实时运动规划器。
- IDX-001 NAVSIM 规划线