核心观点 - 提出ReAL-AD框架，通过三层人类认知模型（驾驶策略、驾驶决策、驾驶操作）实现类人推理的端到端自动驾驶 [2][8] - 集成视觉-语言模型（VLMs）增强环境感知和结构化推理能力，规划准确性和安全性提升超过30% [2][11][34] - 采用层次化轨迹解码器实现从粗到细的轨迹规划，L2误差减少33%，碰撞率降低32% [9][34] 技术架构 - **策略推理注入器**：解析VLM生成的交通情境见解，制定高层次驾驶策略 [8][17] - **驾驶推理整合器**：将战略意图细化为可解释的驾驶选择（如变道、超车、速度调整） [8][20] - **层次化轨迹解码器**：两阶段变分解码器，先建立粗略运动模式再细化轨迹 [24][26] 实验验证 - **数据集**：NuScenes（1,000个20秒场景）和Bench2Drive（13,638片段/200万帧） [30] - **开环指标**：平均L2误差0.48米（NuScenes）、0.84米（Bench2Drive），碰撞率0.15%/0.12% [34] - **闭环指标**：驾驶评分提升至41.17，成功率11.36%，优于基线模型UniAD/VAD [35] 行业对比 - **传统方法局限**：依赖固定稀疏轨迹监督，无法模拟人类分层决策过程 [3][7] - **现有VLM应用**：多作为辅助模块提供语义线索，缺乏与决策层次的有机整合 [5][12] - **创新点**：首次将VLM推理嵌入三层决策架构，实现战略-战术-操作的全链路协同 [8][11] 性能优化 - **消融实验**：移除战略推理注入器导致L2误差增加12%，碰撞率上升19% [36] - **解码器设计**：两层结构比单层L2误差降低0.14米，三层会引入过拟合 [39] - **损失函数**：相似性损失有效弥合文本特征与轨迹预测特征的模态差距 [38]