從流式意圖中產生動作行為

在一篇新近提交至arXiv的論文中，來自多位作者的研究團隊正式定義了端到端自動駕駛中的“動作湧現”概念。所謂動作湧現，是指系統能夠通過場景條件推理，生成物理上可行、語義上恰當且符合安全規範的駕駛動作，而不是依賴對已學習場景-動作映射的簡單檢索或插值。這一能力被視為自動駕駛系統邁向真正智能的關鍵一步，因為它要求模型在面對任意長尾交通場景時，能夠基於對環境的深層理解自主推導出合適的動作，而非機械地匹配記憶中的模式。

論文指出，現有的主流範式均無法實現真正的動作湧現。自迴歸軌跡解碼器雖然能夠生成連續軌跡，但往往會將本質上多模態的未來可能性坍縮為單一的平均輸出，丟失多樣性。而擴散模型和流匹配生成器雖然能夠表達多模態性，但其生成過程無法由推理出的駕駛意圖進行引導或控制。換言之，這些方法雖然能產生多種結果，但缺乏一種機制來根據場景理解有意圖地選擇或調整行為。

為了克服這一侷限，研究者提出了“流式意圖”（Streaming Intent）機制。該機制的核心思想是讓駕駛意圖以兩種方式“流式”傳遞：首先，在語義層面，通過一個連續的思維鏈，從場景理解中因果推導出意圖，使得意圖的生成具有可解釋的推理過程；其次，在時間層面，意圖在連續的視頻片段間進行時間流式傳輸，確保意圖承諾在完整的駕駛視界內保持一致性，不會因片段切換而出現矛盾。

具體實現上，研究者構建了一個名為SI（Streaming Intent）的視覺-語言-動作（VLA）模型。SI首先自迴歸地解碼一個四步思維鏈，並輸出一個意圖令牌。該意圖令牌隨後用於驅動一個流匹配動作頭上的無分類器引導（CFG）過程。得益於流匹配的高效性，僅需兩個去噪步驟即可生成最終的軌跡。這種設計不僅保證了生成的高效性，更關鍵的是實現了意圖對動作的顯式控制。

在Waymo端到端自動駕駛基準測試中，SI模型取得了有競爭力的表現：在驗證集上RFS得分為7.96，測試集上為7.74。然而，更引人注目的是該模型首次在完全端到端的VLA框架中展示了“意圖忠實可控性”。這意味着對於同一個固定場景，當在推理時改變輸入的意圖類別時，模型能夠生成定性上完全不同但質量始終高的規劃方案。這一能力完全來源於數據驅動學習，無需任何預構建的軌跡庫或手工設計的後處理選擇器。這一突破為自動駕駛中的可控行為生成開闢了全新的路徑，有望推動更安全、更靈活的人機共駕系統的發展。