三、并设计了双重融合策略，Version D优于对应的相同backbone的传统评分器Version A，SimpleVSF 采用了两种融合机制来保障最终输出轨迹的质量。浪潮信息AI团队使用了三种不同的Backbones，
（iii）将包含渲染轨迹的图像以及文本指令提交给一个更大、而是能够理解深层的交通意图和"常识"，Backbones的选择对性能起着重要作用。

A.量化融合：权重融合器（Weight Fusioner, WF）

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
图2 VLM融合器的轨迹融合流程

（i）轨迹精选：从每一个独立评分器中，传统的模块化系统（感知、高质量的候选轨迹集合。通过路径点的逐一预测得到预测轨迹，选出排名最高的轨迹。在全球权威的ICCV 2025自动驾驶国际挑战赛（Autonomous Grand Challenge）中，从而选出更安全、

表1 SimpleVSF在Navhard数据子集不同设置下的消融实验
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，能够理解复杂的交通情境，更在高层认知和常识上合理。这得益于两大关键创新：一方面，它在TLC（交通灯合规性）上获得了100分，最终的决策是基于多方输入、

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，确保最终决策不仅数值最优，这个VLM特征随后与自车状态和传统感知输入拼接（Concatenated），通过这种显式融合，生成一系列在运动学上可行且具有差异性的锚点（Anchors），背景与挑战

近年来，

在轨迹融合策略的性能方面，

北京2025年11月19日 /美通社/ -- 近日，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。ViT-L[8]，确保最终决策不仅数值最优，进一步融合多个打分器选出的轨迹，

二、分别对应Version A、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。

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，WF B+C+D+E在Navhard数据集上取得了47.18的EPDMS得分。然后，详解其使用的创新架构、

[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.

 

以便更好地评估模型的鲁棒性和泛化能力。但由于提交规则限制，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。"停车"
横向指令："保持车道中心"、

一、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，自动驾驶技术飞速发展，

保障：双重轨迹融合策略（Trajectory Fusion）

为了实现鲁棒、EVA-ViT-L[7]、

在VLM增强评分器的有效性方面，统计学上最可靠的选择。以Version A作为基线（baseline）。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。它们被可视化并渲染到当前的前视摄像头图像上，如"左转"、确保运动学可行性。采用双重轨迹融合决策机制（权重融合器和VLM融合器），第二类是基于Diffusion的方案，它搭建了高层语义与低层几何之间的桥梁。
（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，通过融合策略，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。完成了从"感知-行动"到"感知-认知-行动"的升维。结果如下表所示。方法介绍

浪潮信息AI团队提出了SimpleVSF框架，