一段式

它到底是什么意思

它把相机、地图、历史轨迹、导航约束全压进同一个 latent space，让网络自己决定哪些信息对规划最重要，训练目标直接作用在驾驶输出上。

优点是信息不过早离散化、能避免 perception-induced planning failure（中间检测不完美但最终轨迹仍可能对）、也更自然地接世界模型、VLA 和大规模数据。

代价是：输出错了很难判断错在检测、地图、交互预测还是规划策略；多任务联训相互干扰；闭环仿真容易出现轨迹抖动、连续偏差发散；量产验证链路更长。

重要的是：一段式和两段式不是二选一，而是一条连续谱。VAD 那类工作就卡在中间——用向量化的 agent/map token 保留部分显式结构。

机制图解

容易搞混的地方

看懂之后可以追问

1. 我们保留了哪些显式的中间输出？哪些约束还是硬编码的？纯黑盒的一段式在量产上验证链路极长。能说出保留了哪些可评测中间结构，说明团队想清楚了验收路径。
2. 闭环仿真里出现轨迹抖动或者发散时，我们怎么定位？这是一段式最典型的失败模式。没有答案意味着上线后会用真车去试错。
3. 多任务联训现在有相互干扰吗？哪个任务在被牺牲？联训不稳定是一段式的固有成本，通常某个子任务的指标在悄悄退化。

沿着主线继续

先知道

• 端到端——让模型更直接地从传感器输入学到驾驶输出，减少中间环节的信息损失，但不等于取消工程约束。
• 潜空间——模型内部的压缩工作台：信息比结构化标签丰富，但人读不懂，所以出错难归因。

对比着看

• 两段式——第一段输出结构化世界（目标、车道线、交通灯），第二段基于它生成轨迹——用信息压缩换可解释和可控。

接着看

• 视觉-语言-动作模型——把视觉输入、语言/语义桥接和动作输出统一到一个多模态框架，适合更高层的意图和语义条件化。

相关论文

• VAD：面向高效自动驾驶的向量化场景表示——黑盒与结构化之间的折中
• VADv2：通过概率规划实现端到端向量化自动驾驶——概率规划