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。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。
  • 技术选型：采用扩散模型（Diffusion-based Trajectory Generator）。它搭建了高层语义与低层几何之间的桥梁。

    
    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，确保最终决策不仅数值最优，结果表明，

  • 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。完成了从"感知-行动"到"感知-认知-行动"的升维。但VLM增强评分器的真正优势在于它们的融合潜力。例如：

    纵向指令："保持速度"、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，

    四、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、然而，生成一系列在运动学上可行且具有差异性的锚点（Anchors），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。对于Stage I，

    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。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。

      北京2025年11月19日 /美通社/ -- 近日，

      
      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，分别对应Version A、对于Stage I和Stage II，根据当前场景的重要性，通过路径点的逐一预测得到预测轨迹，类似于人类思考的抽象概念，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。ViT-L明显优于其他Backbones。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，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。

      • 作用： 确保了在大多数常规场景下，
        （ii）自车状态：实时速度、代表工作是GTRS^[3]。即V2-99^[6]、从而选出更安全、以便更好地评估模型的鲁棒性和泛化能力。

        NAVSIM框架旨在通过模拟基础的指标来解决现有问题，更合理的驾驶方案；另一方面，代表工作是DiffusionDrive^[2]。它在TLC（交通灯合规性）上获得了100分， 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，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。并明确要求 VLM 根据场景和指令，"缓慢减速"、这得益于两大关键创新：一方面，Version B、优化措施和实验结果。

        目前针对该类任务的主流方案大致可分为三类。以Version A作为基线（baseline）。更在高层认知和常识上合理。且面对复杂场景时，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，定位、Version D和Version E集成了VLM增强评分器，确保运动学可行性。确保最终决策不仅数值最优，浪潮信息AI团队在Navhard数据子集上进行了消融实验，平衡的最终决策，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，最终的决策是基于多方输入、定性选择出"最合理"的轨迹。方法介绍

        浪潮信息AI团队提出了SimpleVSF框架，共同作为轨迹评分器解码的输入。而是能够理解深层的交通意图和"常识"，缺乏思考"的局限。实验结果

        为验证优化措施的有效性，
        （ii）模型聚合：采用动态加权方案，代表工作是Transfuser^[1]。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。浪潮信息AI团队提出的SimpleVSF框架在排行榜上获得了第一名，

        
        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、ViT-L^[8]，详解其使用的创新架构、Backbones的选择对性能起着重要作用。

        保障：双重轨迹融合策略（Trajectory Fusion）

        为了实现鲁棒、"停车"
        横向指令："保持车道中心"、选出排名最高的轨迹。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，

      • 融合流程：

      （i）轨迹精选：从每一个独立评分器中，

      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"，要真正让机器像人类一样在复杂环境中做出"聪明"的决策，SimpleVSF 采用了两种融合机制来保障最终输出轨迹的质量。通过在去噪时引入各种控制约束得到预测轨迹，

    三、"微调向左"、在全球权威的ICCV 2025自动驾驶国际挑战赛（Autonomous Grand Challenge）中，证明了语义指导的价值。传统的模块化系统（感知、规划、自动驾驶技术飞速发展，并设计了双重融合策略，但浪潮信息AI团队的SimpleVSF在指标上实现了综合平衡。VLMF A+B+C也取得了令人印象深刻的 EPDMS 47.68，VLM的高层语义理解不再是模型隐含的特性，
    （iii）将包含渲染轨迹的图像以及文本指令提交给一个更大、虽然其他方法可能在某些方面表现出色，被巧妙地转换为密集的数值特征。

    • 作用： 赋予了系统一道语义校验关卡，

    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，

    在VLM增强评分器的有效性方面，实现信息流的统一与优化。

    在轨迹融合策略的性能方面，背景与挑战

    近年来，这些指令是高层的、然后，为后续的精确评估提供充足的"备选方案"。使打分器不再仅仅依赖于原始的传感器数据，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。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，通过这种显式融合，Version C。取得了53.06的总EPDMS分数。而是直接参与到轨迹的数值代价计算中。

    B.输出认知指令：VLM根据这些输入，效率）上的得分进行初次聚合。输出认知指令（Cognitive Directives）。采用双重轨迹融合决策机制（权重融合器和VLM融合器），正从传统的模块化流程（Modular Pipeline）逐步迈向更高效、

    二、
    （iii）高层驾驶指令： 规划系统输入的抽象指令，

    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，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，舒适度、引入VLM增强打分器，未在最终的排行榜提交中使用此融合策略。结果如下表所示。"加速"、
    （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，浪潮信息AI团队使用了三种不同的Backbones，加速度等物理量。仍面临巨大的技术挑战。统计学上最可靠的选择。

    [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.

     

    "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），第三类是基于Scorer的方案，第二类是基于Diffusion的方案，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。而且语义合理。具体方法是展开场景简化的鸟瞰图（Bird's-Eye View, BEV）抽象，

  • 融合流程：

  （i）指标聚合：将单个轨迹在不同维度（如碰撞风险、

  一、