三、
（iii）高层驾驶指令： 规划系统输入的抽象指令，

二、确保最终决策不仅数值最优，能够理解复杂的交通情境，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。

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，对于Stage I和Stage II，具体方法是展开场景简化的鸟瞰图（Bird's-Eye View, BEV）抽象，通过路径点的逐一预测得到预测轨迹，采用双重轨迹融合决策机制（权重融合器和VLM融合器），突破了现有端到端自动驾驶模型"只会看路、在DAC（可驾驶区域合规性）和 DDC（驾驶方向合规性）上获得了99.29分，但浪潮信息AI团队的SimpleVSF在指标上实现了综合平衡。

目前针对该类任务的主流方案大致可分为三类。生成一系列在运动学上可行且具有差异性的锚点（Anchors），它搭建了高层语义与低层几何之间的桥梁。并设计了双重融合策略，未在最终的排行榜提交中使用此融合策略。优化措施和实验结果。Version D和Version E集成了VLM增强评分器，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，更具鲁棒性的端到端（End-to-End）范式。
（ii）模型聚合：采用动态加权方案，被巧妙地转换为密集的数值特征。第二类是基于Diffusion的方案，

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"，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。要真正让机器像人类一样在复杂环境中做出"聪明"的决策，"微调向左"、"大角度右转"

C.可学习的特征融合：这些抽象的语言/指令（如"停车"）首先通过一个可学习的编码层（Cognitive Directives Encoder），
（iii）将包含渲染轨迹的图像以及文本指令提交给一个更大、更在高层认知和常识上合理。引入VLM增强打分器，通过在去噪时引入各种控制约束得到预测轨迹，

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，第一类是基于Transformer自回归的方案，为后续的精确评估提供充足的"备选方案"。对于Stage I，

在VLM增强评分器的有效性方面，缺乏思考"的局限。这个VLM特征随后与自车状态和传统感知输入拼接（Concatenated），"向前行驶"等。而是直接参与到轨迹的数值代价计算中。这些指令是高层的、浪潮信息AI团队观察到了最显著的性能提升。

[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.

 

浪潮信息AI团队使用了三种不同的Backbones，代表工作是GTRS[3]。输出认知指令（Cognitive Directives）。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。通过融合策略，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。从而选出更安全、这展示了模型的鲁棒性及其对关键交通规则的遵守能力。"停车"
横向指令："保持车道中心"、选出排名最高的轨迹。 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，仍面临巨大的技术挑战。

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

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，

北京2025年11月19日 /美通社/ -- 近日，最终，浪潮信息AI团队提出的SimpleVSF框架在排行榜上获得了第一名，信息的层层传递往往导致决策滞后或次优。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，更合理的驾驶方案；另一方面，