- 学习型驾驶代理在**未见环境(unseen environments)** 中性能显著下降，限制了实际部署
- 已有**零样本迁移(zero-shot transfer)** 研究未有效隔离**结构偏移(structural town shift)** 问题，需一个可控场景进行分析
- 本研究聚焦**CARLA模拟器** 中从Town05/Town06迁移至未见Town03/Town04的**固定路线驾驶(fixed-route driving)**，固定天气并移除动态障碍物以排除干扰
- 采用**Dreamer风格潜在世界模型(Dreamer-style latent world-model agent)** 作为基础结构
- 追加两种**训练时辅助损失(training-only auxiliary losses)**：
- **多时间跨度语义展开预测(multi-horizon semantic rollout prediction)**：沿想象序列预测未来**视觉-语义嵌入(visual-semantic embeddings)**
- **城镇对抗正则化(town-adversarial regularization)**：对循环潜在状态的**语义投影(semantic projection)** 施加对抗性监督
- 使用**因果上下文特征(causal context feature)** 条件化语义展开预测器，而**Actor与Critic** 保持标准控制特征，且策略不接收导航指令或地图输入
- **首次** 将**语义展开(semantic rollout)** 和**城镇对抗(town-adversarial)** 两个辅助损失结合应用于**零样本城镇迁移(zero-shot town transfer)**，无需目标城镇数据
- 通过**因果上下文特征(causal context feature)** 解耦语义预测与动作控制，使模型仅从环境奖励学习而无需显式路线信息
- 在**固定天气与无干扰设置** 下，该组合比现有**Dreamer族方法** 在未见城镇上取得更高平均成功率，验证了针对**结构偏移(structural shift)** 的正则化有效性
- 为**自动驾驶零样本迁移(zero-shot transfer)** 提供了一个严格隔离场景的实验范式，明确揭示了**城镇结构偏移** 的影响
- 提出的**语义展开+城镇对抗** 框架在**固定路线完成率(fixed-route completion)** 上达到**最高平均成功率(highest mean success rate)**
- 推动了**世界模型(world model)** 在**领域泛化(domain generalization)** 中的应用，证明了**语义级辅助损失** 对迁移鲁棒性的积极作用