文章核心观点 - 自动驾驶领域的研究范式正在发生转变，从依赖显式文本链式推理转向在统一潜空间进行隐式推理，并结合分层并行轨迹规划，以实现更高效、更安全且更适合实时驾驶的决策系统 [5][6][36][37] 核心思路与框架设计 - 提出了名为ColaVLA的全新框架，其核心贡献在于将推理从文本空间迁移到潜空间，并将轨迹生成从串行过程改为分层并行过程 [3][6] - 框架由两个核心部分组成：负责高层驾驶认知的潜空间推理器，以及负责生成连续轨迹的分层并行规划器，旨在重新定义推理与动作之间的接口 [9][11] 潜空间推理器的工作原理 - 推理器模仿人类司机的四步认知过程，但均在统一潜空间中隐式完成，避免了生成自然语言带来的延迟和表示错位 [10][11][13] - 四步过程包括：1) 理解全局场景；2) 通过自适应的路由器筛选出与驾驶相关的关键视觉实体；3) 使用可学习的元查询进行复核式推理；4) 输出直接面向动作生成的高层驾驶先验 [10][12][13] 分层并行规划器的优势 - 规划器采用“先粗后细”的分层生成逻辑，先确定粗粒度驾驶意图，再逐步补充细节，更符合真实驾驶员的决策方式 [15][16][19] - 设计了一种保持因果关系的注意力机制，确保信息从粗到细逐层细化，避免信息泄漏 [16] - 能够在单次前向传播中并行完成多尺度、多模式的轨迹解码，显著提升了生成效率 [17][19] 实验性能与结果 - 在nuScenes数据集的开环评测中，ColaVLA在动作类方法中取得最优综合表现，平均L2误差为0.30米，平均碰撞率为0.23% [22] - 在更关键的闭环评测NeuroNCAP中，平均得分达到3.48，平均碰撞率降至36.8%，优于多种前序方法 [24][26] - 在未显式生成文本思维链的情况下，其闭环表现优于依赖文本推理的对比方法，表明内部决策表征与动作生成的对齐更为关键 [25] 效率表现 - 经过工程优化后，在H200上的端到端推理延迟为228毫秒/帧，比文本式方法快5到10倍，为实时自动驾驶应用提供了可行性 [27][28] 消融实验的关键发现 - 潜空间推理模块有效，加入该模块能降低轨迹误差，增加“复核”阶段可进一步提升效果 [30] - 分层并行规划器本身优于普通的MLP头和扩散模型头，说明其结构更符合驾驶动作的生成逻辑 [31] - 关键视觉token的数量需要平衡，过多会引入冗余，过少会丢失信息 [32] - 最优的轨迹生成方式是先确定关键点，再逐层补齐细节，这与驾驶动作的因果结构相符 [33] 研究的意义与范式转变 - 该研究证明自动驾驶的推理不一定需要依赖显式文本思维链，潜空间推理同样能保留高层决策能力 [36][42] - 代表了一种范式转变：从文本推理转向潜空间推理，从串行解码转向并行解码，从展示推理过程转向兼顾安全、效率与闭环表现 [37][41] - 核心价值在于重新设计了一种真正适合自动驾驶的大模型推理方式，当推理形式与动作生成真正对齐时，系统能在安全、效率和闭环表现上获得全面提升 [40][42]