近日，在全球权威的ICCV 2025自动驾驶国际挑战赛（Autonomous Grand Challenge）中，PG电竞信息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。
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，能够理解复杂的交通情境，突破了现有端到端自动驾驶模型“只会看路、缺乏思考”的局限。这得益于两大关键创新：一方面，引入VLM增强打分PG电竞官网，使打分PG电竞官网不再仅仅依赖于原始的传感PG电竞官网数据，而是能够理解深层的交通意图和“常识”，从而选出更安全、更合理的驾驶方案；另一方面，采用双重轨迹融合决策机制（权重融合PG电竞官网和VLM融合PG电竞官网），进一步融合多个打分PG电竞官网选出的轨迹，确保最终决策不仅数值最优，而且语义合理。
本篇文章将根据PG电竞信息提交的技术报告“SimpleVSF: VLM-Scoring Fusion for Trajectory Prediction of End-to-End Autonomous Driving”，详解其使用的创新架构、优化措施和实验结果。
背景与挑战
近年来，自动驾驶技术飞速发展，正从传统的�？榛鞒蹋∕odular Pipeline）逐步迈向更高效、更具鲁棒性的端到端（End-to-End）范式。传统的�？榛低常ǜ兄�、定位、规划、控制）容易在各模块间积累误差，且面对复杂场景时，信息的层层传递往往导致决策滞后或次优。端到端方法旨在通过神经网络直接从传感PG电竞官网输入生成驾驶动作或轨迹，实现信息流的统一与优化。然而，要真正让机PG电竞官网像人类一样在复杂环境中做出“聪明”的决策，仍面临巨大的技术挑战。
NAVSIM框架旨在通过模拟基础的指标来解决现有问题，具体方法是展开场景简化的鸟瞰图（Bird's-Eye View, BEV）抽象，并在一个较短的模拟时间范围内推演出行车轨迹。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， 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，以便更好地评估模型的鲁棒性和泛化能力。
目前针对该类任务的主流方案大致可分为三类。第一类是基于Transformer自回归的方案，通过路径点的逐一预测得到预测轨迹，代表工作是Transfuser1。第二类是基于Diffusion的方案，通过在去噪时引入各种控制约束得到预测轨迹，代表工作是DiffusionDrive2。第三类是基于Scorer的方案，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，代表工作是GTRS?。
方法介绍
PG电竞信息AI团队提出了SimpleVSF框架，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，并设计了双重融合策略，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。
SimpleVSF整体架构图
SimpleVSF框架可以分为三个相互协作的�？�：
01 基础：基于扩散模型的轨�：蜓∩�
框架的第一步是高效地生成一套多样化、高质量的候选轨迹集合。
技术选型：采用扩散模型（Diffusion-based Trajectory Generator）。
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。其优势在于能够捕捉轨迹分布的多模态性，生成一系列在运动学上可行且具有差异性的锚点（Anchors），为后续的精确评估提供充足的“备选方案”。
02 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，它搭建了高层语义与低层几何之间的桥梁。其工作原理如下：
A. 语义输入：利用一个经过微调的VLM（Qwen2VL-2B4）作为语义处理PG电竞官网。VLM接收以下三种信息
■ 前视摄像头图像：提供场景的视觉细节；
■ 自车状态：实时速度、加速度等物理量；
■ 高层驾驶指令： 规划系统输入的抽象指令，如“左转”、“向前行驶”等。
B. 输出认知指令：VLM根据这些输入，输出认知指令（Cognitive Directives）。这些指令是高层的、类似于人类思考的抽象概念，例如
■ 纵向指令： “保持速度”、“加速”、“缓慢减速”、“停车”；
■ 横向指令： “保持车道中心”、“微调向左”、“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），被巧妙地转换为密集的数值特征。这个VLM特征随后与自车状态和传统感知输入拼接（Concatenated），共同作为轨迹评分PG电竞官网解码的输入。通过这种显式融合，VLM的高层语义理解不再是模型隐含的特性，而是直接参与到轨迹的数值代价PG电竞官网中。
03 保障：双重轨迹融合策略（Trajectory Fusion）
为了实现鲁棒、平衡的最终决策，SimpleVSF 采用了两种融合机制来保障最终输出轨迹的质量。
A. 量化融合：权重融合PG电竞官网（Weight Fusioner, WF）
机制：这是一个基于定量严谨性的主机制。它负责将来自多个评分PG电竞官网和多个模型（包括VLM增强评分PG电竞官网和传统评分PG电竞官网）的得分进行高效聚合。
融合流程：
■ 指标聚合：将单个轨迹在不同维度（如碰撞风险、舒适度、效率）上的得分进行初次聚合。
■ 模型聚合：采用动态加权方案，根据当前场景的重要性，动态地调整来自不同模型（如多个VLM增强评分PG电竞官网）的聚合得分的权重。
作用：确保了在大多数常规场景下，最终的决策是基于多方输入、统计学上最可靠的选择。
B. 质性融合：VLM融合PG电竞官网（VLM Fusioner, VLMF）
机制：旨在通过VLM的定性推理能力进行最终的语义精炼。
融合流程：
■ 轨迹精�。捍用恳桓龆懒⑵婪諴G电竞官网中，选出排名最高的轨迹。
■ LQR 模拟与渲染：这些精选轨迹通过 LQR 模拟PG电竞官网进行平滑处理，确保运动学可行性。然后，它们被可视化并渲染到当前的前视摄像头图像上，形成一个包含“潜在行动方案”的视觉信息图。
■ 将包含渲染轨迹的图像以及文本指令提交给一个更大、能力更强的 VLM 模型（Qwen2.5VL-72B5），并明确要求VLM根据场景和指令，定性选择出“最合理”的轨迹。
作用： 赋予了系统一道语义校验关卡，确保最终决策不仅数值最优，更在高层认知和常识上合理。
VLM融合PG电竞官网的轨迹融合流程
实验结果
为验证优化措施的有效性，PG电竞信息AI团队在Navhard数据子集上进行了消融实验，结果如下表所示。以Version A作为基线（baseline）。
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，PG电竞信息AI团队使用了三种不同的Backbones，即V2-996、EVA-ViT-L7、ViT-L8，分别对应Version A、Version B、Version C。结果表明，Backbones的选择对性能起着重要作用。ViT-L明显优于其他Backbones。
■ 在VLM 增强评分PG电竞官网的有效性方面，Version D和Version E 集成了VLM 增强评分PG电竞官网，Version D优于对应的相同backbone的传统评分PG电竞官网Version A，证明了语义指导的价值。虽然Version E的个体性能与对应的相同backbone的传统评分PG电竞官网Version C相比略低，但VLM增强评分PG电竞官网的真正优势在于它们的融合潜力。
■ 在轨迹融合策略的性能方面，通过融合策略，PG电竞信息AI团队观察到了最显著的性能提升。WF B+C+D+E在Navhard数据集上取得了47.18的EPDMS得分。最终，PG电竞信息AI团队在Private_test_hard分割数据集上也使用了这四个评分PG电竞官网的融合结果。VLMF A+B+C也取得了令人印象深刻的 EPDMS 47.68，但由于提交规则限制，未在最终的排行榜提交中使用此融合策略。
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，PG电竞信息AI团队提出的SimpleVSF框架在排行榜上获得了第一名，取得了53.06的总EPDMS分数。对于Stage I，它在TLC（交通灯合规性）上获得了100分，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，这展示了模型的鲁棒性及其对关键交通规则的遵守能力。对于Stage I和Stage II，PG电竞信息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。虽然其他方法可能在某些方面表现出色，但PG电竞信息AI团队的SimpleVSF在指标上实现了综合平衡。
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。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，完成了从“感知-行动”到“感知-认知-行动”的升维。
参考文献：
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.
第八代服务PG电竞官网
