噪声重新初始化模块：通过在不同视角之间共享噪声，增强了视频的空间一致性，使得生成的多视角视频在视觉效果上更加统一。 特征对齐的时间一致性模块：采用精确的跨帧特征对齐，确保视频帧间的时间一致性，提高了长视频的质量和连续性。 失败案例驱动框架：基于失败案例生成训练数据，显著提高了样本效率，仅使用4%的训练数据就提升了端到端自动驾驶模型的规划性能25%。
表示在帧 中视角 下的视频图像潜变量（latent variable）。 是视角 下的共享运动噪声。 是帧 的共享全景噪声。 和 分别表示视角 下在帧 的图像输入和原始噪声。
紫色：表示跨视角注意力模块（Cross View Attention）。 绿色：表示特征对齐的时间一致性模块（Feature-aligned Temporal Consistency Module）。 灰色：表示其他网络层。
（1）收集失败案例（Collecting Failure Cases）在训练数据集上进行评估。如果模型在某些场景下表现不佳（例如，发生碰撞），这些场景被标记为失败案例。这些失败案例随后被提取出来，用于后续的分析。
（2）分析数据模式（Analyzing Data Pattern）对收集到的失败案例分析失败的原因。主要分为两类：
感知错误（Perception Error）：例如模型无法正确识别物体，可能是因为物体属于稀有类别或者是大物体接近车辆。 规划错误（Planning Error）：例如在复杂的交互行为或遮挡场景中，模型做出了错误的决策。
