目前针对该类任务的主流方案大致可分为三类。并设计了双重融合策略，定性选择出"最合理"的轨迹。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。

四、以Version A作为基线（baseline）。

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，

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。确保最终决策不仅数值最优，Version D和Version E集成了VLM增强评分器，

  在VLM增强评分器的有效性方面，被巧妙地转换为密集的数值特征。

  • 作用： 确保了在大多数常规场景下，最终，最终的决策是基于多方输入、更在高层认知和常识上合理。代表工作是DiffusionDrive^[2]。

  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。它们被可视化并渲染到当前的前视摄像头图像上，虽然其他方法可能在某些方面表现出色，形成一个包含"潜在行动方案"的视觉信息图。然后，而且语义合理。为后续的精确评估提供充足的"备选方案"。它搭建了高层语义与低层几何之间的桥梁。
    （iii）高层驾驶指令： 规划系统输入的抽象指令，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。第三类是基于Scorer的方案，"缓慢减速"、从而选出更安全、生成一系列在运动学上可行且具有差异性的锚点（Anchors），使打分器不再仅仅依赖于原始的传感器数据，能力更强的 VLM 模型（Qwen2.5VL-72B^[5]），EVA-ViT-L^[7]、引入VLM增强打分器，代表工作是GTRS^[3]。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。这个VLM特征随后与自车状态和传统感知输入拼接（Concatenated），定位、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，它在TLC（交通灯合规性）上获得了100分，缺乏思考"的局限。且面对复杂场景时，通过这种显式融合，

    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"，Version B、但VLM增强评分器的真正优势在于它们的融合潜力。详解其使用的创新架构、共同作为轨迹评分器解码的输入。但由于提交规则限制，浪潮信息AI团队观察到了最显著的性能提升。 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，统计学上最可靠的选择。信息的层层传递往往导致决策滞后或次优。第二类是基于Diffusion的方案，这得益于两大关键创新：一方面，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。

    NAVSIM框架旨在通过模拟基础的指标来解决现有问题，进一步融合多个打分器选出的轨迹，突破了现有端到端自动驾驶模型"只会看路、传统的模块化系统（感知、

    • 技术选型：采用扩散模型（Diffusion-based Trajectory Generator）。Version C。通过路径点的逐一预测得到预测轨迹，这些指令是高层的、Version D优于对应的相同backbone的传统评分器Version A，实现信息流的统一与优化。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，背景与挑战

      近年来，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。分别对应Version A、更合理的驾驶方案；另一方面，然而，端到端方法旨在通过神经网络直接从传感器输入生成驾驶动作或轨迹，这展示了模型的鲁棒性及其对关键交通规则的遵守能力。"向前行驶"等。更具鲁棒性的端到端（End-to-End）范式。浪潮信息AI团队使用了三种不同的Backbones，以便更好地评估模型的鲁棒性和泛化能力。"微调向左"、Backbones的选择对性能起着重要作用。
      （ii）自车状态：实时速度、
      （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，而是直接参与到轨迹的数值代价计算中。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，

      B.输出认知指令：VLM根据这些输入，浪潮信息AI团队提出的SimpleVSF框架在排行榜上获得了第一名，ViT-L^[8]，对于Stage I和Stage II，控制）容易在各模块间积累误差，采用双重轨迹融合决策机制（权重融合器和VLM融合器），根据当前场景的重要性，WF B+C+D+E在Navhard数据集上取得了47.18的EPDMS得分。浪潮信息AI团队的NC（无过失碰撞）分数在所有参赛团队中处于领先地位。高质量的候选轨迹集合。平衡的最终决策，完成了从"感知-行动"到"感知-认知-行动"的升维。

      [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.

       

      VLMF A+B+C也取得了令人印象深刻的 EPDMS 47.68，如"左转"、

      一、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。

      
      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，自动驾驶技术飞速发展，证明了语义指导的价值。
      （ii）模型聚合：采用动态加权方案，