De ontwikkeling van autonome voertuigen steunt zwaar op de kwaliteit van simulaties om diverse scenario's veilig te testen. Een hardnekkig probleem bij traditionele autoregressieve wereldmodellen is echter de zogenaamde 'drift'. Hierbij verslechtert de beeldkwaliteit en de structurele integriteit van de weg naarmate een simulatie langer duurt, waardoor objecten van identiteit kunnen veranderen of de weginfrastructuur vervormt. Volgens een wetenschappelijke publicatie op arxiv.org wordt dit veroorzaakt door conditioneringssignalen die onvoldoende persistentie vertonen.
Om deze instabiliteit tegen te gaan, hebben onderzoekers WAM-Sim0.1 ontwikkeld. Dit model maakt gebruik van een persistent, hiërarchisch geheugensysteem dat is opgebouwd uit drie verschillende schalen. Deze aanpak is bedoeld om zowel de topologie als de visuele kenmerken van de omgeving consistent te houden. De eerste laag bestaat uit 'pose-aligned structural tokens', die ervoor zorgen dat de weginfrastructuur gedurende de gehele rit stabiel blijft. Daarnaast worden 'read-only scene tokens' gebruikt voor de geolokaliseerde achtergrond en het uiterlijk van de omgeving. Ten slotte bewaakt het systeem de identiteit van individuele verkeersdeelnemers via 'write-once instance tokens', waardoor objecten herkenbaar blijven, zelfs als ze tijdelijk uit het zicht verdwijnen.
Naast het geheugenmechanisme is er een specifiek post-training framework geïmplementeerd om de fysieke plausibiliteit en visuele scherpte te optimaliseren. Hierbij wordt gebruikgemaakt van online flow-matching reinforcement learning (RL). Dit proces wordt gestuurd door visuele beloningen die aansluiten bij de hiërarchie van het geheugen. Om te voorkomen dat het model onrealistische oplossingen vindt — een fenomeen dat bekendstaat als 'reward hacking' — is er een 'physical judge' geïntegreerd op basis van een vision-language model. Zoals beschreven in de , helpt dit om semantische instorting te vermijden en de fysieke logica van de simulatie te versterken.
De prestaties van WAM-Sim0.1 zijn getoetst aan de hand van de nuScenes-benchmark. De resultaten laten een hoge generatiekwaliteit zien, met een FID-score van 3,47 en een FVD-score van 25,72. Ook op het gebied van downstream perceptie scoort het model sterk, met een road mIoU van 71,23 en een mAP van 24,16. In simulaties op minuut-schaal met eigen data bleek dat het model in staat is om zowel structurele drift als identiteitsdrift aanzienlijk te beperken, wat resulteert in een hogere coherentie van objecten over langere periodes.
Hoewel mondiale nieuwsagentschappen zoals reuters.com regelmatig rapporteren over de bredere impact van AI op transport en veiligheid, richt dit specifieke onderzoek zich op de technische fundamenten van simulatie-omgevingen. Het volledige rapport, geschreven door Jiahao Cui en negen medeauteurs, werd op 5 november 2026 gepubliceerd via de . De bevindingen suggereren dat het integreren van een verankerd geheugen in wereldmodellen een cruciale stap is naar betrouwbaardere trainingsomgevingen voor de volgende generatie zelfrijdende voertuigen. Door de combinatie van structurele tokens en reinforcement learning kan de kloof tussen simulatie en realiteit verder worden verkleind, wat essentieel is voor de veiligheid van autonome systemen in complexe stedelijke omgevingen.