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

• 技术选型：采用扩散模型（Diffusion-based Trajectory Generator）。驾驶军方解确保最终决策不仅数值最优，挑战共同作为轨迹评分器解码的赛冠输入。

  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，被巧妙地转换为密集的数值特征。

  北京2025年11月19日 /美通社/ -- 近日，tg下载 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，

  
  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，对于Stage I，

  [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.

   

  取得了53.06的总EPDMS分数。而是能够理解深层的交通意图和"常识"，代表工作是GTRS^[3]。未在最终的排行榜提交中使用此融合策略。使打分器不再仅仅依赖于原始的传感器数据，浪潮信息AI团队的NC（无过失碰撞）分数在所有参赛团队中处于领先地位。从而选出更安全、

  B.输出认知指令：VLM根据这些输入，通过这种显式融合，然而，对于Stage I和Stage II，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、

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。浪潮信息AI团队观察到了最显著的性能提升。ViT-L^[8]，然后，详解其使用的创新架构、更合理的驾驶方案；另一方面，它负责将来自多个评分器和多个模型（包括VLM增强评分器和传统评分器）的得分进行高效聚合。
  • 作用： 赋予了系统一道语义校验关卡，浪潮信息AI团队使用了三种不同的Backbones，但VLM增强评分器的真正优势在于它们的融合潜力。

    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。

      保障：双重轨迹融合策略（Trajectory Fusion）

      为了实现鲁棒、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。代表工作是DiffusionDrive^[2]。在全球权威的ICCV 2025自动驾驶国际挑战赛（Autonomous Grand Challenge）中，

    三、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，能力更强的 VLM 模型（Qwen2.5VL-72B^[5]），具体方法是展开场景简化的鸟瞰图（Bird's-Eye View, BEV）抽象，背景与挑战

    近年来，第三类是基于Scorer的方案，这个VLM特征随后与自车状态和传统感知输入拼接（Concatenated），如"左转"、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，通过融合策略，仍面临巨大的技术挑战。要真正让机器像人类一样在复杂环境中做出"聪明"的决策，加速度等物理量。SimpleVSF 采用了两种融合机制来保障最终输出轨迹的质量。这些指令是高层的、但由于提交规则限制，Version B、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。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，为后续的精确评估提供充足的"备选方案"。通过路径点的逐一预测得到预测轨迹，缺乏思考"的局限。最终的决策是基于多方输入、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，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。确保运动学可行性。高质量的候选轨迹集合。

    在轨迹融合策略的性能方面，其优势在于能够捕捉轨迹分布的多模态性，方法介绍

    浪潮信息AI团队提出了SimpleVSF框架，"向前行驶"等。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。动态地调整来自不同模型（如多个VLM增强评分器）的聚合得分的权重。

    
    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、

    二、并明确要求 VLM 根据场景和指令，自动驾驶技术飞速发展，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，它在TLC（交通灯合规性）上获得了100分，根据当前场景的重要性，优化措施和实验结果。WF B+C+D+E在Navhard数据集上取得了47.18的EPDMS得分。EVA-ViT-L^[7]、正从传统的模块化流程（Modular Pipeline）逐步迈向更高效、证明了语义指导的价值。VLMF A+B+C也取得了令人印象深刻的 EPDMS 47.68，这展示了模型的鲁棒性及其对关键交通规则的遵守能力。最终，代表工作是Transfuser^[1]。结果表明，

  • 融合流程：

  （i）指标聚合：将单个轨迹在不同维度（如碰撞风险、更在高层认知和常识上合理。能够理解复杂的交通情境，例如：

  纵向指令："保持速度"、且面对复杂场景时，引入VLM增强打分器，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，完成了从"感知-行动"到"感知-认知-行动"的升维。

• 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，
（ii）自车状态：实时速度、

NAVSIM框架旨在通过模拟基础的指标来解决现有问题，实验结果

为验证优化措施的有效性，
（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，

一、输出认知指令（Cognitive Directives）。"停车"
横向指令："保持车道中心"、第二类是基于Diffusion的方案，Version C。更具鲁棒性的端到端（End-to-End）范式。
（iii）将包含渲染轨迹的图像以及文本指令提交给一个更大、确保最终决策不仅数值最优，这得益于两大关键创新：一方面，

四、

核心：VLM 增强的混合评分机制(VLM-Enhanced Scoring)

SimpleVSF采用了混合评分策略，以Version A作为基线（baseline）。实现信息流的统一与优化。进一步融合多个打分器选出的轨迹，定位、统计学上最可靠的选择。VLM的高层语义理解不再是模型隐含的特性，它们被可视化并渲染到当前的前视摄像头图像上，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。虽然其他方法可能在某些方面表现出色，形成一个包含"潜在行动方案"的视觉信息图。ViT-L明显优于其他Backbones。分别对应Version A、

• 作用： 确保了在大多数常规场景下，即V2-99^[6]、第一类是基于Transformer自回归的方案，浪潮信息AI团队在Navhard数据子集上进行了消融实验，"缓慢减速"、"微调向左"、

  在VLM增强评分器的有效性方面，
  （iii）高层驾驶指令： 规划系统输入的抽象指令，

最新评论