nexus论文阅读

模型结构

模型从 真实驾驶日志 和 安全关键数据 中学习，分别对 智能体（Agent） 和 地图（Map） 进行编码，然后输入到一个 Diffusion Transformer中。

智能体 token 用时间和去噪步骤进行编码，然后通过注意力机制与地图和动力学进行交互。

具有不同噪声的 token 在一个块内进行调度，以便及时做出反应。每个去噪步骤都会更新并弹出零噪声 token，用下一帧 token 替换它们，从而迭代生成场景。