从流式意图中产生动作行为

在一篇新近提交至arXiv的论文中，来自多位作者的研究团队正式定义了端到端自动驾驶中的“动作涌现”概念。所谓动作涌现，是指系统能够通过场景条件推理，生成物理上可行、语义上恰当且符合安全规范的驾驶动作，而不是依赖对已学习场景-动作映射的简单检索或插值。这一能力被视为自动驾驶系统迈向真正智能的关键一步，因为它要求模型在面对任意长尾交通场景时，能够基于对环境的深层理解自主推导出合适的动作，而非机械地匹配记忆中的模式。

论文指出，现有的主流范式均无法实现真正的动作涌现。自回归轨迹解码器虽然能够生成连续轨迹，但往往会将本质上多模态的未来可能性坍缩为单一的平均输出，丢失多样性。而扩散模型和流匹配生成器虽然能够表达多模态性，但其生成过程无法由推理出的驾驶意图进行引导或控制。换言之，这些方法虽然能产生多种结果，但缺乏一种机制来根据场景理解有意图地选择或调整行为。

为了克服这一局限，研究者提出了“流式意图”（Streaming Intent）机制。该机制的核心思想是让驾驶意图以两种方式“流式”传递：首先，在语义层面，通过一个连续的思维链，从场景理解中因果推导出意图，使得意图的生成具有可解释的推理过程；其次，在时间层面，意图在连续的视频片段间进行时间流式传输，确保意图承诺在完整的驾驶视界内保持一致性，不会因片段切换而出现矛盾。

具体实现上，研究者构建了一个名为SI（Streaming Intent）的视觉-语言-动作（VLA）模型。SI首先自回归地解码一个四步思维链，并输出一个意图令牌。该意图令牌随后用于驱动一个流匹配动作头上的无分类器引导（CFG）过程。得益于流匹配的高效性，仅需两个去噪步骤即可生成最终的轨迹。这种设计不仅保证了生成的高效性，更关键的是实现了意图对动作的显式控制。

在Waymo端到端自动驾驶基准测试中，SI模型取得了有竞争力的表现：在验证集上RFS得分为7.96，测试集上为7.74。然而，更引人注目的是该模型首次在完全端到端的VLA框架中展示了“意图忠实可控性”。这意味着对于同一个固定场景，当在推理时改变输入的意图类别时，模型能够生成定性上完全不同但质量始终高的规划方案。这一能力完全来源于数据驱动学习，无需任何预构建的轨迹库或手工设计的后处理选择器。这一突破为自动驾驶中的可控行为生成开辟了全新的路径，有望推动更安全、更灵活的人机共驾系统的发展。