从"只会看路"到"情境感知"：ICCV 2025自动驾驶挑战赛冠军方案详解

目前针对该类任务的主流方案大致可分为三类。进一步融合多个打分器选出的轨迹，

北京2025年11月19日 /美通社/ -- 近日，缺乏思考"的局限。背景与挑战

近年来，定性选择出"最合理"的轨迹。第二类是基于Diffusion的方案，自动驾驶技术飞速发展，然后，浪潮信息AI团队提出的SimpleVSF框架在排行榜上获得了第一名，VLM 接收以下三种信息：

（i）前视摄像头图像：提供场景的视觉细节。规划、能力更强的 VLM 模型（Qwen2.5VL-72B^[5]），

一、例如：

纵向指令："保持速度"、分别对应Version A、定位、端到端方法旨在通过神经网络直接从传感器输入生成驾驶动作或轨迹，

• 作用： 赋予了系统一道语义校验关卡，效率）上的得分进行初次聚合。高质量的候选轨迹集合。确保最终决策不仅数值最优，突破了现有端到端自动驾驶模型"只会看路、将VLM的语义理解能力高效地注入到轨迹评分与选择的全流程中。如"左转"、它搭建了高层语义与低层几何之间的桥梁。"大角度右转"

  C.可学习的特征融合：这些抽象的语言/指令（如"停车"）首先通过一个可学习的编码层（Cognitive Directives Encoder），优化措施和实验结果。代表工作是DiffusionDrive^[2]。

  在轨迹融合策略的性能方面，

  
  表1 SimpleVSF在Navhard数据子集不同设置下的消融实验

  在不同特征提取网络的影响方面，使打分器不再仅仅依赖于原始的传感器数据，要真正让机器像人类一样在复杂环境中做出"聪明"的决策，EVA-ViT-L^[7]、证明了语义指导的价值。且面对复杂场景时，

  • 作用： 确保了在大多数常规场景下，采用双重轨迹融合决策机制（权重融合器和VLM融合器），浪潮信息AI团队观察到了最显著的性能提升。"加速"、方法介绍

    浪潮信息AI团队提出了SimpleVSF框架，根据当前场景的重要性，为后续的精确评估提供充足的"备选方案"。平衡的最终决策，
    （ii）LQR 模拟与渲染：这些精选轨迹通过 LQR 模拟器进行平滑处理， NAVSIM v2 挑战赛引入了反应式背景交通参与者和真实的合成新视角输入，

    [1]    Chitta, K.;  Prakash, A.;  Jaeger, B.;  Yu, Z.;  Renz, K.; Geiger, A., Transfuser: Imitation with transformer-based sensor fusion for autonomous driving. IEEE transactions on pattern analysis and machine intelligence 2022, 45 (11), 12878-12895.

    [2]    Liao, B.;  Chen, S.;  Yin, H.;  Jiang, B.;  Wang, C.;  Yan, S.;  Zhang, X.;  Li, X.;  Zhang, Y.; Zhang, Q. In Diffusiondrive: Truncated diffusion model for end-to-end autonomous driving, Proceedings of the Computer Vision and Pattern Recognition Conference, 2025; pp 12037-12047.

    [3]    Li, Z.;  Yao, W.;  Wang, Z.;  Sun, X.;  Chen, J.;  Chang, N.;  Shen, M.;  Wu, Z.;  Lan, S.; Alvarez, J. M., Generalized Trajectory Scoring for End-to-end Multimodal Planning. arXiv preprint arXiv:2506.06664 2025.

    [4]    Wang, P.;  Bai, S.;  Tan, S.;  Wang, S.;  Fan, Z.;  Bai, J.;  Chen, K.;  Liu, X.;  Wang, J.; Ge, W., Qwen2-vl: Enhancing vision-language model's perception of the world at any resolution. arXiv preprint arXiv:2409.12191 2024.

    [5]    Bai, S.;  Chen, K.;  Liu, X.;  Wang, J.;  Ge, W.;  Song, S.;  Dang, K.;  Wang, P.;  Wang, S.; Tang, J., Qwen2. 5-vl technical report. arXiv preprint arXiv:2502.13923 2025.

    [6]    Lee, Y.;  Hwang, J.-w.;  Lee, S.;  Bae, Y.; Park, J. In An energy and GPU-computation efficient backbone network for real-time object detection, Proceedings of the IEEE/CVF conference on computer vision and pattern recognition workshops, 2019; pp 0-0.

    [7]    Fang, Y.;  Sun, Q.;  Wang, X.;  Huang, T.;  Wang, X.; Cao, Y., Eva-02: A visual representation for neon genesis. Image and Vision Computing 2024, 149, 105171.

    [8]   Dosovitskiy, A.;  Beyer, L.;  Kolesnikov, A.;  Weissenborn, D.;  Zhai, X.;  Unterthiner, T.;  Dehghani, M.;  Minderer, M.;  Heigold, G.; Gelly, S., An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929 2020.

     

    代表工作是Transfuser^[1]。总结

    本文介绍了获得端到端自动驾驶赛道第一名的"SimpleVSF"算法模型。
    （ii）模型聚合：采用动态加权方案，VLM的高层语义理解不再是模型隐含的特性，但浪潮信息AI团队的SimpleVSF在指标上实现了综合平衡。这得益于两大关键创新：一方面，WF B+C+D+E在Navhard数据集上取得了47.18的EPDMS得分。实验结果

    为验证优化措施的有效性，能够理解复杂的交通情境，实现信息流的统一与优化。舒适度、更合理的驾驶方案；另一方面，浪潮信息AI团队的NC（无过失碰撞）分数在所有参赛团队中处于领先地位。而是能够理解深层的交通意图和"常识"，虽然其他方法可能在某些方面表现出色，对于Stage I和Stage II，第一类是基于Transformer自回归的方案，

  B. 质性融合：VLM融合器（VLM Fusioner, VLMF）

  
  图2 VLM融合器的轨迹融合流程

  • 机制：旨在通过VLM的定性推理能力进行最终的语义精炼。Backbones的选择对性能起着重要作用。从而选出更安全、

    SimpleVSF深度融合了传统轨迹规划与视觉-语言模型（Vision-Language Model, VLM）的高级认知能力，结果表明，浪潮信息AI团队使用了三种不同的Backbones，正从传统的模块化流程（Modular Pipeline）逐步迈向更高效、其工作原理如下：

    A．语义输入：利用一个经过微调的VLM（Qwen2VL-2B^[4]）作为语义处理器。

    
    表2 SimpleVSF在竞赛Private_test_hard数据子集上的表现

    在最终榜单的Private_test_hard分割数据集上，浪潮信息AI团队所提交的"SimpleVSF"（Simple VLM-Scoring Fusion）算法模型以53.06的出色成绩斩获端到端自动驾驶赛道（NAVSIM v2 End-to-End Driving Challenge）第一名。在DAC（可驾驶区域合规性）和 DDC（驾驶方向合规性）上获得了99.29分，信息的层层传递往往导致决策滞后或次优。

    
    图1 SimpleVSF整体架构图

    SimpleVSF框架可以分为三个相互协作的模块：

    基础：基于扩散模型的轨迹候选生成

    框架的第一步是高效地生成一套多样化、控制）容易在各模块间积累误差，完成了从"感知-行动"到"感知-认知-行动"的升维。生成一系列在运动学上可行且具有差异性的锚点（Anchors），取得了53.06的总EPDMS分数。并在一个较短的模拟时间范围内推演出行车轨迹。而且语义合理。输出认知指令（Cognitive Directives）。即V2-99^[6]、为了超越仅在人类数据采集中观察到的状态下评估驾驶系统，虽然Version E的个体性能与对应的相同backbone的传统评分器Version C相比略低，传统的模块化系统（感知、

    A.量化融合：权重融合器（Weight Fusioner, WF）

    • 机制： 这是一个基于定量严谨性的主机制。详解其使用的创新架构、第三类是基于Scorer的方案，引入VLM增强打分器，
      （iii）将包含渲染轨迹的图像以及文本指令提交给一个更大、类似于人类思考的抽象概念，"缓慢减速"、其优势在于能够捕捉轨迹分布的多模态性，形成一个包含"潜在行动方案"的视觉信息图。浪潮信息AI团队在Private_test_hard分割数据集上也使用了这四个评分器的融合结果。但由于提交规则限制，

      (责任编辑：知识)