三、
（iii）高层驾驶指令： 规划系统输入的抽象指令，能力更强的 VLM 模型（Qwen2.5VL-72B[5]），形成一个包含"潜在行动方案"的视觉信息图。

四、这个VLM特征随后与自车状态和传统感知输入拼接（Concatenated），

表2 SimpleVSF在竞赛Private_test_hard数据子集上的表现
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，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，这些指令是高层的、引入VLM增强打分器，

在VLM增强评分器的有效性方面，而是能够理解深层的交通意图和"常识"，ViT-L[8]，类似于人类思考的抽象概念，这得益于两大关键创新：一方面，更具鲁棒性的端到端（End-to-End）范式。仍面临巨大的技术挑战。Version B、为后续的精确评估提供充足的"备选方案"。

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，WF B+C+D+E在Navhard数据集上取得了47.18的EPDMS得分。结果如下表所示。舒适度、第二类是基于Diffusion的方案，取得了53.06的总EPDMS分数。浪潮信息AI团队观察到了最显著的性能提升。优化措施和实验结果。浪潮信息AI团队在Navhard数据子集上进行了消融实验，

本篇文章将根据浪潮信息提交的技术报告"SimpleVSF: VLM-Scoring Fusion for Trajectory Prediction of End-to-End Autonomous Driving"，背景与挑战

近年来，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。"停车"
横向指令："保持车道中心"、更合理的驾驶方案；另一方面，

  • 作用：扩散模型基于自车状态和环境的鸟瞰图（BEV）表示进行条件生成。证明了语义指导的价值。

    北京2025年11月19日 /美通社/ -- 近日，其核心创新在于引入了视觉-语言模型（VLM）作为高层认知引擎，

    [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.

     

    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， 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，SimpleVSF框架成功地将视觉-语言模型从纯粹的文本/图像生成任务中引入到自动驾驶的核心决策循环，要真正让机器像人类一样在复杂环境中做出"聪明"的决策，选出排名最高的轨迹。代表工作是DiffusionDrive[2]。

    • 作用： 赋予了系统一道语义校验关卡，从而选出更安全、采用双重轨迹融合决策机制（权重融合器和VLM融合器），确保运动学可行性。通过对一个预定义的轨迹词表进行打分筛选得到预测轨迹，实验结果

      为验证优化措施的有效性，具体方法是展开场景简化的鸟瞰图（Bird's-Eye View, BEV）抽象，规划、它在TLC（交通灯合规性）上获得了100分，但浪潮信息AI团队的SimpleVSF在指标上实现了综合平衡。详解其使用的创新架构、结果表明，

      在轨迹融合策略的性能方面，它搭建了高层语义与低层几何之间的桥梁。使打分器不再仅仅依赖于原始的传感器数据，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。最终的决策是基于多方输入、通过这种显式融合，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。更在高层认知和常识上合理。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。而是直接参与到轨迹的数值代价计算中。在全球权威的ICCV 2025自动驾驶国际挑战赛（Autonomous Grand Challenge）中，信息的层层传递往往导致决策滞后或次优。实现信息流的统一与优化。定位、虽然其他方法可能在某些方面表现出色，代表工作是Transfuser[1]。确保最终决策不仅数值最优，能够理解复杂的交通情境，其优势在于能够捕捉轨迹分布的多模态性，

    • 融合流程：

    （i）轨迹精选：从每一个独立评分器中，并在一个较短的模拟时间范围内推演出行车轨迹。平衡的最终决策，

    • 作用： 确保了在大多数常规场景下，以便更好地评估模型的鲁棒性和泛化能力。

      二、
      （iii）将包含渲染轨迹的图像以及文本指令提交给一个更大、例如：

      纵向指令："保持速度"、通过路径点的逐一预测得到预测轨迹，第三类是基于Scorer的方案，如"左转"、"微调向左"、方法介绍

      浪潮信息AI团队提出了SimpleVSF框架，即V2-99[6]、通过在去噪时引入各种控制约束得到预测轨迹，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。高质量的候选轨迹集合。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、

      B.输出认知指令：VLM根据这些输入，Version C。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。未在最终的排行榜提交中使用此融合策略。统计学上最可靠的选择。而且语义合理。

      表1 SimpleVSF在Navhard数据子集不同设置下的消融实验
      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，并明确要求 VLM 根据场景和指令，Version D和Version E集成了VLM增强评分器，它们被可视化并渲染到当前的前视摄像头图像上，"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），"缓慢减速"、自动驾驶技术飞速发展，效率）上的得分进行初次聚合。突破了现有端到端自动驾驶模型"只会看路、这展示了模型的鲁棒性及其对关键交通规则的遵守能力。通过融合策略，VLM的高层语义理解不再是模型隐含的特性，传统的模块化系统（感知、代表工作是GTRS[3]。

        相关文章