BEVFormer、端到端与VLA：自动驾驶算法架构的技术解析

自动驾驶领域从来不缺“颠覆性”的概念。从早年的DNN取代传统CV，到BEV+Transformer的鸟瞰统一，再到如今行业里言必称的“端到端”，以及最近开始冒头的“VLA”。

一、 旧王未老：传统模块化架构

在聊颠覆之前，我们必须先理解被颠覆的对象。目前市面上绝大多数量产车（L2+~L3），其底层架构依然是基于“感知-规划-控制”的解耦设计。

1.1 感知：从2D到BEV，再到占用网络

传统感知不再只是简单的目标检测。在基于高精地图的方案中，感知模块的核心任务是构建一个“几何+语义”的局部世界模型。

• 架构细节：目前最成熟的范式是 BEVFormer 及其变体。

  • 我们利用6个相机的原始图像，通过共享的Backbone（如ResNet、Swin-T）提取多尺度特征。

  • 通过可变形注意力机制，在预定义的BEV网格上，让每个Query在时间维度和空间维度上聚合图像特征。
  • 时序融合：利用历史帧的BEV特征（通常缓存过去3-5帧），通过时序自注意力（Temporal Self-Attention）来获取速度、运动趋势等几何无法直接提供的动态信息。
• Occupancy Network：为了解决长尾异形物体（如翻倒的卡车、路上散落的碎石）问题，我们引入了占用网络。

  • 它不输出“这是车还是人”，而是输出“这个3D体素是否被占据”。

  • 这本质上是一个3D语义分割任务，通常采用稀疏卷积（SparseConv）来处理巨大的3D网格数据，输出分辨率常见为 0.2m/voxel 或 0.1m/voxel。
• 痛点：感知输出的结果是“列表式”的（List of Objects）。当我们将这些物体送入下游时，信息瓶颈产生了。感知丢失了“不确定性”和“隐式几何信息”，规划器只能基于感知给出的有限抽象做决策。

1.2 规划：基于搜索与优化的博弈树

• 行为决策：常见的是有限状态机（FSM）。例如：巡航 -> 跟车 -> 变道 -> 避让。为了处理交互场景，我们引入部分可观测马尔可夫决策过程（POMDP），但由于计算资源有限，工业界更多采用基于规则的层次化状态机。
• 运动规划：这是核心。目前最成熟的量产方案是基于二次规划（QP）的时空联合规划。

  • 我们构建一个SL坐标系（Frenet坐标系），将路径规划分解为横向（l）和纵向（s）。

  • 路径规划：通过采样候选路径，利用代价函数（Cost Function）选择最优路径。代价包括：偏离中心线代价、碰撞代价、曲率代价。
  • 速度规划：在选定路径上，构建一个分段多项式（Piecewise Jerk），在满足加速度、加加速度舒适性约束下，求解一个QP问题，得到s-t曲线。
• 痛点：规则永远写不完。当遇到复杂交互（如中国式无保护左转、人车混行的菜市场路口）时，QP很容易陷入无解，导致车辆在原地“发呆”或急刹。我们戏称“规则是代码，补丁是信仰”。

二、 正在爆发的一体化革命：端到端（E2E）

2023年以后，随着UniAD、VAD等工作的出现，行业开始大规模转向“端到端”。

2.1 什么是真正的端到端？

• 统一BEV表示：不同于传统模块化（感知出一个列表传给规划），UniAD 在特征空间里就完成了所有任务。它通过一个Transformer Decoder结构，将感知、预测、规划统一在同一个特征空间优化。
• Query的贯穿：这是端到端的精髓。我们定义了多种 Query：
  1. Track Query：负责跟踪物体，建模物体的运动轨迹。
  2. Motion Query：基于Track Query，利用交互性注意力，建模物体之间的相互影响（例如，车辆A在让行，车辆B在抢行）。
  3. Planning Query：最终的规划Query，不仅接收感知特征，还通过注意力机制直接与Motion Query交互。
• 损失函数设计：端到端的训练非常困难。我们通常采用多任务损失：
  

  • 关键在于

    

的设计。我们不仅要让它拟合人工驾驶的轨迹（模仿学习），还要引入撞损失（让预测轨迹与Occupancy的交集最小化）和舒适性正则项（限制曲率、加速度变化率）。

2.2 训练困境与工程解法

• 数据闭环：端到端模型极度依赖高质量的数据。在传统方案中，感知模型可以用自动化标注。但在端到端中，我们需要的是“决策轨迹”。如果数据里驾驶员在这个路口选择踩油门，而在那个路口选择刹车，模型很难泛化。
• 仿真的鸿沟：在仿真中测试端到端模型极其痛苦。因为传统仿真器是“基于规则”的，但端到端模型输出的是轨迹，两者之间存在“语义鸿沟”。目前业界主流解法是采用 NeRF（神经辐射场） 或 3DGS（三维高斯泼溅） 重建高保真场景，将模型置于其中进行闭环测试。
• 可解释性危机：当车撞上障碍物时，传统方案可以定位“是规划QP问题无解”。但端到端模型出问题，我们只能看到Loss曲线，却很难定位是“感知认错了路沿”还是“规划没理解意图”。为此，我们通常需要在端到端模型中间层强制输出 Intermediate Representation（如显式的Occupancy或Map），用于事后归因。

三、 下一代的想象：视觉语言动作模型（VLA）

传统的端到端模型，哪怕再强，它也不懂“为什么”。它不知道“警车亮起警灯意味着避让”，不知道“路边有人招手可能是要上车”，不知道“前方有积水应该减速”。

3.1 架构演进：从VLM到VLA

VLA 脱胎于多模态大语言模型。其典型架构如下：

1. 视觉编码器：使用 SigLIP、DINOv2 或更强大的 InternViT 提取视觉特征，将图像或视频流Token化。
2. 投影器（Projector）：将视觉特征对齐到LLM的文本嵌入空间（类似LLaVA架构）。
3. 大语言模型基座：通常采用 7B 或 13B 参数的模型（如 Qwen2.5-VL、Llama-3.2），负责推理与思维链（CoT）。
4. 动作头（Action Head）：这是最关键的区别。VLM只能输出文本（“我应该向左打方向”），而VLA需要输出连续动作。我们通常将规划轨迹（Waypoints）离散化或通过专门的 Action Token 输出，转化为控制指令。

3.2 数据飞轮与慢思考机制

• 数据飞轮：传统的端到端模型需要的是“感知-轨迹”对。VLA需要的是 “场景-推理-动作” 对。例如，我们需要标注：“因为前方有事故车辆，且左侧车道空闲，所以我选择变道”。这种高维度的标注成本是天文数字。目前行业主要靠 Teacher Model（利用GPT-4V或更强大的模型对海量数据进行自动化标注生成CoT）来解决。
• 推理机制：VLA引入了 System 2（慢思考）。当遇到Corner Case时，VLA可以利用CoT进行逻辑推理，输出其“思考过程”。但在高速行驶的车辆上，你不能让模型思考1秒钟。所以工业界现在的做法是 “双轨制”：一个轻量级的端到端模型负责90%的常规驾驶（System 1，快速响应），VLA作为 “兜底专家”，仅在检测到不确定性高或异常场景时被唤醒，进行推理并生成决策。

四、 工程师视角的横向对比

为了让大家更直观地理解这三种架构在工程落地中的区别，我将它们从多个维度做了对比：

• 架构耦合度

  • 传统模块化：低（模块间通过接口解耦，独立迭代）。

  • 端到端：高（特征空间统一，各任务共享主干）。

  • VLA：极高（语言+视觉+动作联合训练，推理与动作深度耦合）。

• 可解释性

  • 传统模块化：中（中间结果可视化，易于单模块调试）。

  • 端到端：低（黑盒，依赖仿真回放与特征图归因）。

  • VLA：高（可输出人类可读的思维链，解释决策原因）。

• 算力需求

  • 传统模块化：中（通常 20-50 TOPS，可在量产域控运行）。

  • 端到端：高（需 100+ TOPS，依赖Transformer引擎加速）。

  • VLA：极高（云端训练，车端需强推理卡，目前多用于预研）。

• 长尾处理能力

  • 传统模块化：差（规则无法覆盖所有场景，新场景需人工写规则）。

  • 端到端：中（依赖数据分布，分布外场景易失效，但泛化性优于规则）。

  • VLA：优（具备常识推理，能理解未见过的场景语义）。

• 实时性

  • 传统模块化：优（全链路 < 50ms，流水线并行）。

  • 端到端：中（< 100ms，受模型大小与加速库限制）。

  • VLA：差（目前 > 200ms，需模型量化、剪枝、甚至“慢思考+快路径”协同）。

• 维护成本

  • 传统模块化：高（模块多，接口变动影响大，规则代码膨胀）。

  • 端到端：中（单一模型，但数据清洗、版本管理、仿真回归成本高）。

  • VLA：低（模型化，但数据标注、评测维度、思维链对齐成本极高）。

五、 结语：工程师的务实选择

在写这篇文章的最后，我想说，作为工程师，我们不必盲目追逐热点。

文章转载自公众号：人工智能AI与算法

作者：小蒜子