两段式

它到底是什么意思

第一段的输出是人能看懂的：3D 目标框、速度、tracking ID、车道线 polyline、交通灯颜色和路口通行性、以及多模态轨迹分支与概率。

它的价值全在工程上：能看见中间结果所以能定位问题；能接规则约束和风险检测；感知、预测、规划可以分开升级不必重训全链路；训练更稳定，问题归因更直接。

代价同样清楚：中间表征压缩掉了细粒度几何和交互意图，上下游容易互相甩锅，梯度无法完整跨模块反传，复杂交互场景的性能上限可能低于一段式。

课程里有个很实用的量产经验占比：数据解决约 60% 的问题，模仿学习约 30%，强化学习约 10%。别一上来就把 RL 当第一解法。

机制图解

容易搞混的地方

看懂之后可以追问

1. 中间表征里，我们丢掉了哪些信息？这些信息在哪类场景会变成问题？两段式的天花板就在这个压缩上。让团队具体说出丢了什么，比笼统说「上限低」有用得多，也能提前锁定风险场景。
2. 感知和规划出问题时，责任怎么划？有没有共同的评测口径？两段式最典型的组织问题是互相甩锅。提前建立联合评测口径，比事后开协调会便宜。
3. 现在的瓶颈是数据、模仿学习还是 RL？我们的投入比例是多少？对照 60/30/10 的经验分布。如果团队在 RL 上投入过重而数据难例挖掘很薄，优先级大概率错了。

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。

对比着看

• 一段式——感知、预测、规划在统一表征里联合优化，直接输出轨迹——上限更高，但难 debug、难闭环验证。

接着看

• 导航路径——它表达的是长期路线意图（该往哪走），不是可执行轨迹，不能直接控车。

相关论文

• PLUTO：把模仿学习规划推到极限——把 IL 做到极致，再谈 RL
• BEVFormer：用时空 Transformer 从多摄像头学 BEV 表征——BEV query 是空间探针
• MOTR：基于 Transformer 的端到端多目标跟踪——track query 维持身份
• Sparse4D：稀疏时空融合的多视角 3D 检测——稀疏 query 换效率