芝能科技出品

輔助駕駛技術(shù)正從基于規(guī)則和模塊化的傳統(tǒng)范式，邁向由視覺(jué)語(yǔ)言模型（VLM）和視覺(jué)-語(yǔ)言-動(dòng)作模型（VLA）驅(qū)動(dòng)的新階段。

● VLM作為車(chē)輛的“認(rèn)知核心”，通過(guò)統(tǒng)一處理多模態(tài)感知數(shù)據(jù)和自然語(yǔ)言信息，使車(chē)輛能夠理解復(fù)雜的交通場(chǎng)景、遵守抽象的交通規(guī)則并響應(yīng)人類(lèi)指令。

● VLA則在VLM的理解基礎(chǔ)上，深度融合感知、理解與車(chē)輛控制，實(shí)現(xiàn)端到端、擬人化的駕駛行為。

01

從VLM到VLA

傳統(tǒng)的自動(dòng)駕駛依賴(lài)精確的環(huán)境建模和規(guī)則編程，難以應(yīng)對(duì)現(xiàn)實(shí)世界的復(fù)雜性與模糊性。

視覺(jué)語(yǔ)言模型（VLM）旨在解決這一問(wèn)題，構(gòu)建車(chē)輛的“認(rèn)知核心”。

VLM的關(guān)鍵在于能夠統(tǒng)一處理來(lái)自攝像頭、激光雷達(dá)等傳感器的感知數(shù)據(jù)，以及交通規(guī)則文本、導(dǎo)航信息、自然語(yǔ)言指令等語(yǔ)言數(shù)據(jù)。通過(guò)強(qiáng)大的模型架構(gòu)，VLM能將這些異構(gòu)信息編碼到共同的特征空間，實(shí)現(xiàn)跨模態(tài)的關(guān)聯(lián)與推理。

這使得車(chē)輛不僅僅是識(shí)別障礙物，更能理解場(chǎng)景的深層含義，例如識(shí)別特定標(biāo)志牌并結(jié)合交通法規(guī)判斷當(dāng)前行為是否合法，或理解用戶(hù)“靠邊停車(chē)”的語(yǔ)音指令并規(guī)劃執(zhí)行。

● VLM的應(yīng)用廣泛，例如：

◎ 場(chǎng)景語(yǔ)義解析： 識(shí)別并理解“潮汐車(chē)道”、“施工繞行”等復(fù)雜交通語(yǔ)境，生成符合規(guī)則的駕駛決策。

◎ 智能人車(chē)交互： 理解自然語(yǔ)言指令（如“切換駕駛模式”），或識(shí)別視覺(jué)興趣點(diǎn)（如充電樁）并與之關(guān)聯(lián)。

◎ 高階安全判斷： 分析復(fù)雜場(chǎng)景（如無(wú)保護(hù)左轉(zhuǎn)）下潛在風(fēng)險(xiǎn)，輔助決策。

實(shí)現(xiàn)這些能力需要強(qiáng)大的計(jì)算支持，VLM的出現(xiàn)，讓自動(dòng)駕駛系統(tǒng)從“看清”邁向“看懂”，是實(shí)現(xiàn)更高層級(jí)自主性的前提。理解世界僅僅是第一步，將理解轉(zhuǎn)化為恰當(dāng)?shù)男袆?dòng)是自動(dòng)駕駛的最終目標(biāo)。

視覺(jué)-語(yǔ)言-動(dòng)作模型（VLA）正是負(fù)責(zé)這一轉(zhuǎn)化過(guò)程，實(shí)現(xiàn)從感知、理解到車(chē)輛控制的端到端連接。VLA將來(lái)自VLM或其他感知模塊的環(huán)境理解，與車(chē)輛的轉(zhuǎn)向、加速、制動(dòng)等控制指令深度耦合，學(xué)習(xí)直接從輸入到輸出的映射。

它形成了一個(gè)端到端（End-to-End）的閉環(huán)：接收感知和語(yǔ)言輸入，內(nèi)部進(jìn)行決策，直接輸出控制信號(hào)。這種模式簡(jiǎn)化了傳統(tǒng)系統(tǒng)的復(fù)雜層級(jí)，有望提升系統(tǒng)整體響應(yīng)速度和魯棒性。

采用Diffusion模型生成駕駛軌跡，并結(jié)合ODE采樣器優(yōu)化規(guī)劃過(guò)程，顯著提升了軌跡生成質(zhì)量和復(fù)雜路況下的博弈能力，這代表了VLA在行為生成層面的重要進(jìn)展。

VLM和VLA并非孤立工作，而是緊密協(xié)同， VLM理解場(chǎng)景、規(guī)則和指令，為VLA提供宏觀的駕駛意圖和策略指導(dǎo)（例如：根據(jù)導(dǎo)航規(guī)劃變道、識(shí)別危險(xiǎn)需避讓?zhuān)��?nbsp;

VLA根據(jù)VLM的指導(dǎo)和實(shí)時(shí)的感知信息，生成并執(zhí)行精確的車(chē)輛軌跡和控制動(dòng)作。VLA的執(zhí)行結(jié)果（成功或失�。┛勺鳛榉答�，反向優(yōu)化VLM對(duì)場(chǎng)景的理解和決策邏輯，形成持續(xù)學(xué)習(xí)的閉環(huán)。

02

VLA+英偉達(dá)Thor，

“空間智能體”

在導(dǎo)入VLA的狀態(tài)中，理想汽車(chē)是很快的。MindVLA（視覺(jué)-語(yǔ)言-行動(dòng)模型）開(kāi)始向融合空間智能、語(yǔ)言智能和行為智能的物理人工智能邁進(jìn)。

圍繞3D空間理解、高效模型架構(gòu)、增強(qiáng)邏輯推理、優(yōu)化軌跡生成、高精度仿真以及卓越泛化能力，讓車(chē)輛具備感知、思考和自主行動(dòng)的能力。

● 3D高斯（3D Gaussian）作為核心中間表征，這是其空間智能的基礎(chǔ)。

與傳統(tǒng)的點(diǎn)云或體素表示相比，3D高斯能同時(shí)捕捉物體的幾何形狀和外觀信息，具有更強(qiáng)的語(yǔ)義表達(dá)能力和多粒度、多尺度的幾何表達(dá)靈活性。這使得系統(tǒng)能更全面、高效地感知和理解復(fù)雜的3D環(huán)境。

結(jié)合海量數(shù)據(jù)上的自監(jiān)督學(xué)習(xí)，系統(tǒng)能自動(dòng)從無(wú)標(biāo)注數(shù)據(jù)中提取有效的3D特征，大幅提升環(huán)境感知的精度和效率，為后續(xù)決策奠定堅(jiān)實(shí)基礎(chǔ)。

為了在計(jì)算資源有限的車(chē)端環(huán)境運(yùn)行大規(guī)模模型，采用了MoE（Mixture of Experts）架構(gòu)并引入稀疏注意力（Sparse Attention）。

MoE允許模型在擁有龐大參數(shù)量的同時(shí)，針對(duì)特定輸入只激活部分“專(zhuān)家”網(wǎng)絡(luò)，實(shí)現(xiàn)計(jì)算的稀疏化，從而在不犧牲模型規(guī)模的前提下，維持較高的端側(cè)推理效率。

● 邏輯推理能力是提升的核心，通過(guò)訓(xùn)練LLM基座模型學(xué)習(xí)人類(lèi)思考模式，并有機(jī)結(jié)合**“快思考”（實(shí)時(shí)響應(yīng)）和“慢思考”（深度推理），模型能根據(jù)不同駕駛情境靈活切換決策模式，提升決策的安全性和合理性。

同時(shí)，為了最大化利用NVIDIA Drive AGX算力，小詞表、投機(jī)推理和并行解碼等技術(shù)，結(jié)合英偉達(dá)的推理優(yōu)化，實(shí)現(xiàn)了高達(dá)7倍的推理效率提升，確保復(fù)雜推理也能滿(mǎn)足實(shí)時(shí)性要求。

● 擴(kuò)散模型（Diffusion Model）優(yōu)化駕駛軌跡，以生成高質(zhì)量復(fù)雜數(shù)據(jù)聞名，應(yīng)用于軌跡生成有望生成更平滑、更自然、更具博弈性的駕駛路徑。通過(guò)自車(chē)行為生成與他車(chē)軌跡預(yù)測(cè)的聯(lián)合建模，系統(tǒng)能更好地預(yù)測(cè)交通參與者的行為并進(jìn)行合理應(yīng)對(duì)。

通過(guò)構(gòu)建人類(lèi)偏好數(shù)據(jù)集并引入RLHF（基于人類(lèi)反饋的強(qiáng)化學(xué)習(xí)）微調(diào)，能更好地對(duì)齊人類(lèi)駕駛習(xí)慣，顯著提升復(fù)雜和極端場(chǎng)景下的安全底線(xiàn)。

NVIDIA Drive AGX平臺(tái)和生態(tài)的支撐，在世界模型、NRE、模型訓(xùn)練加速以及端側(cè)優(yōu)化部署等領(lǐng)域的技術(shù)進(jìn)展。

小結(jié)在2025年，我們看到VLA通過(guò)3D高斯表征、MoE架構(gòu)和Diffusion模型，實(shí)現(xiàn)了高效的空間理解、邏輯推理和軌跡生成，英偉達(dá)的Thor芯片、NVIDIA Cosmos世界模型和NRE引擎為VLA提供了強(qiáng)大的算力支持和仿真環(huán)境，加速了技術(shù)從實(shí)驗(yàn)室到量產(chǎn)的轉(zhuǎn)化。

       原文標(biāo)題 : 輔助駕駛從VLM與VLA：2025年下半年的核心轉(zhuǎn)變