1. 课程导入
自动驾驶正在从“规则驱动”走向“数据驱动”，并进一步迈向“世界模型驱动”。所谓世界模型（World Model），是指系统对环境状态、动态演化规律以及自身行为后果所形成的可预测内部表征。它不仅能“看见”当前画面，还能推演“如果这样操作，接下来会发生什么”。当这种能力被用于自动驾驶时，评测与安全验证就不再只是比对感知框和轨迹误差，而必须回答一个更本质的问题：模型对世界的理解是否可靠、是否可验证、是否足以支撑安全决策。
一、学习目标：从“会训模型”到“会验模型”
本课程不是单纯讲解某个网络结构，而是围绕工程落地能力展开。学完本课程，你应当具备以下四类能力：
- 概念辨析能力：能区分世界模型、端到端模型、仿真器、数字孪生之间的边界与联系，避免把“生成视频”误认为“理解世界”。
- 评测设计能力：能针对感知、预测、规划、控制不同层级，设计指标、场景与数据集，构建分层评测矩阵。
- 安全验证能力：能运用场景挖掘、对抗扰动、形式化约束、失效模式分析等方法，定位模型在长尾与边缘场景中的风险。
- 工程闭环能力：能把评测结果反哺到数据闭环、训练迭代与版本准入，形成“评测—发现—修复—回归”的持续流程。
二、核心概念：世界模型到底“模”了什么
自动驾驶世界模型通常包含三个关键能力：状态表征、动态预测与反事实推演。状态表征把多传感器输入压缩为隐空间状态；动态预测根据历史与动作推演未来；反事实推演则回答“若采取不同动作，结果会怎样”。这三者共同支撑规划模块在不确定环境中做出更稳健的决策。
需要特别强调的是，世界模型与仿真器并不等同。仿真器侧重构造可交互环境，世界模型侧重学习环境演化规律；前者可以是规则化的，后者通常是数据驱动的。二者在评测中常常互补：仿真器提供可控场景，世界模型提供真实感与多样性。
三、整体框架：四层结构与一个闭环
如上图所示，本课程将评测与安全验证工程拆解为四层：数据与场景层、世界模型层、评测指标层、安全验证层，并通过工程闭环串联。数据与场景层决定“考什么题”，世界模型层决定“被考对象”，评测指标层决定“怎么打分”，安全验证层决定“是否放行”。
其中，工程闭环是贯穿全课程的主线。一次评测不是终点，而是下一轮迭代的起点。评测发现的失效案例应进入数据补充流程，模型迭代后必须进行回归验证，最终形成版本准入结论。缺少闭环的评测，只是“跑分”，无法真正降低安全风险。
四、行业背景：为什么现在必须做世界模型评测
过去几年，自动驾驶行业经历了从高精地图+规则，到端到端学习，再到世界模型与生成式仿真的演进。随着模型规模增大，传统评测方法暴露出三个突出问题：
- 指标与安全脱节：感知 mAP 高、轨迹误差低，并不代表在切入、鬼探头、施工区等场景中安全。
- 长尾覆盖不足：真实路采中极端场景稀少，模型容易在低频高危场景中失效。
- 不可解释与不可追溯：端到端模型输出难以归因，事故复盘与责任界定困难。
五、方法流程与关键参数示例
一个典型的世界模型评测流水线可以抽象为以下步骤，工程中通常以配置化方式管理：
pipeline:
stage_1_scene_mining:
source: [real_log, simulation, adversarial]
filter: long_tail & safety_critical
stage_2_model_inference:
model: world_model_v1.3
horizon: 3.0s
rollout: closed_loop
stage_3_metrics:
perception: [mAP, miss_rate]
prediction: [minADE, minFDE, NLL]
planning: [collision_rate, comfort, progress]
safety: [RSS_violation, takeover_rate]
stage_4_gate:
threshold: safety_first
regression: required
下表给出不同评测维度的关注重点，便于建立整体认知：
| 评测维度 | 核心问题 | 典型指标 | 安全意义 |
|---|---|---|---|
| 感知一致性 | 是否稳定识别关键目标 | mAP、漏检率、时序抖动 | 漏检直接导致决策盲区 |
| 预测合理性 | 未来轨迹是否符合物理与交互 | minADE、minFDE、NLL | 错误预测引发误刹车或碰撞 |
| 规划安全性 | 是否满足安全约束与舒适性 | 碰撞率、RSS 违反率、加速度 | 决定是否可上路 |
| 泛化与鲁棒性 | 换城市、换天气是否退化 | 跨域性能下降幅度 | 决定规模化部署边界 |
| 可解释与追溯 | 失效能否归因与复现 | 案例覆盖率、复现率 | 支撑事故复盘与准入审计 |
六、案例场景与复盘思路
假设某世界模型在高速匝道汇入场景中表现良好，但在城市无保护左转中频繁出现“犹豫—急刹—再起步”的抖动。复盘时不应只调规划参数，而应回到世界模型层检查：它是否准确预测了对向直行车的让行意图？是否对行人突然折返建立了反事实分支？如果模型隐空间中没有“他车可能不让行”的状态，规划再优化也只是治标。
本课程后续将围绕数据与场景构建、世界模型原理、指标设计、闭环仿真、对抗测试、形式化约束、安全论证与版本准入等主题逐步展开。请先建立整体框架意识：评测不是附属环节，而是自动驾驶世界模型从实验室走向道路的安全底座。