快速了解部分

基础信息（英文）：

1. 题目: LatentVLA: Efficient Vision-Language Models for Autonomous Driving via Latent Action Prediction
2. 时间: 2026.01
3. 机构: Shanghai Innovation Institute, OpenDriveLab at The University of Hong Kong, Li Auto Inc.
4. 3个英文关键词: Vision-Language-Action (VLA), Latent Action Prediction, Knowledge Distillation

1句话通俗总结本文干了什么事情

本文提出了一种名为LatentVLA的新框架，它通过让大模型学习“潜动作”来理解驾驶场景，并将这种理解“蒸馏”给传统的快速驾驶模型，在保持自动驾驶系统实时运行速度的同时，大幅提升了其应对复杂场景的智能水平和泛化能力。

研究痛点：现有研究不足 / 要解决的具体问题

1. 数值不敏感与轨迹不准：现有的视觉语言模型（VLM）使用离散的Token来预测轨迹，难以处理连续的动作空间，导致长视野轨迹规划不稳定且不精确。
2. 语言标注负担与偏差：依赖大量人工语言标注（如VQA）不仅成本高昂，还引入了“语言偏差”，即文本描述与实际驾驶行为可能不匹配，且无法捕捉隐性的驾驶知识。
3. 计算效率低：现有的VLA模型通常采用多步思维链推理，计算量大、耗时长，无法满足自动驾驶实时部署的需求。

核心方法：关键技术、模型或研究设计（简要）

论文提出了LatentVLA框架，包含两个核心步骤：

1. 潜动作学习：利用自监督学习，将连续的驾驶轨迹转化为离散的“潜动作Token”，作为桥梁连接视觉和语言模型。
2. 知识蒸馏：训练一个大型的VLM教师模型来学习这些潜动作，然后将其学到的知识迁移到轻量级的、基于视觉的传统端到端驾驶学生模型（如Transfuser或iPad）中，从而在不牺牲精度的情况下实现高效推理。

深入了解部分

相比前人创新在哪里

1. 去语言化的动作表示：不同于前人直接用语言指令（如“直行”、“左转”）作为监督信号，本文使用基于轨迹预测的“潜动作Token”作为自监督信号，消除了语言偏差，能更精确地捕捉细微的驾驶动态。
2. 高效的知识迁移架构：创新性地将VLM作为“教师”进行预训练，然后通过蒸馏将知识注入到高效的端到端网络中，既利用了VLM强大的泛化能力，又保留了传统视觉模型的实时性（推理速度提升约3.7倍）。
3. 更小的代码本设计：相比于前人使用2048个离散Token，本文采用了仅含16个Token的精简代码本，更好地保留了原始VLM的架构和预训练知识，加速了模型收敛。

解决方法/算法的通俗解释

想象一下，LatentVLA的工作方式就像一位资深教练（VLM教师）在训练一名反应极快的新手司机（端到端学生模型）。

1. 第一步（潜动作编码）：系统先看大量驾驶视频，发明一套只有16个符号的“摩斯电码”（潜动作），每一个符号代表一种未来的驾驶状态变化。
2. 第二步（教师学习）：让大模型（教师）学习这套电码，看图就能说出接下来应该打什么电码。
3. 第三步（师徒传授）：让新手司机（学生模型）在看路况的同时，模仿教练（教师）的“电码思维”来规划路线。最终，新手司机不需要真的发电码，但学会了教练的高超驾驶直觉，且开车速度极快。

解决方法的具体做法

1. 构建潜动作模型 (LAM)：
   • 使用基于IDM的编码器和FDM的解码器，从视频数据中提取时空特征。
   • 利用VQ-VAE技术将连续的驾驶动作（包括自车和环境变化）离散化为Token。
   • 采用轨迹条件而非语言条件来生成这些动作Token。
2. 训练VLM教师：
   • 基于Qwen2.5-VL架构，输入图像和指令，预测上述生成的潜动作Token。
   • 通过这种方式，VLM学会了驾驶场景的语义理解和规划能力。
3. 蒸馏到学生模型：
   • 冻结VLM参数，利用多头注意力池化提取视觉和动作特征。
   • 将这些特征通过交叉注意力机制融合到传统的端到端模型（如Transfuser或iPad）的BEV特征中。
   • 训练一个轻量级的规划Transformer，使其输出分布逼近VLM教师的分布。

基于前人的哪些方法

1. 基础模型：基于Qwen2.5-VL（视觉语言模型基础）和DINOv2（视觉特征提取基础）。
2. 端到端架构：基于Transfuser（基于回归的融合框架）和iPad（基于打分的迭代优化框架）作为学生模型的骨干网络。
3. 潜变量模型：借鉴了VQ-VAE（矢量量化变分自编码器）的思想来进行动作离散化。

实验设置、数据、评估方式、结论

1. 数据集：
   • 预训练：nuPlan, nuScenes（用于LAM）；OpenScene（用于VLM）。
   • 主实验：NAVSIM benchmark (navtrain训练, navtest测试)。
   • 零样本测试：nuScenes（测试泛化性）。
2. 评估方式：
   • NAVSIM：PDMS（综合评分），以及无责碰撞率(NC)、可行驶区域合规性(DAC)等子指标。
   • nuScenes：Open-loop轨迹预测的L2误差（1s, 2s, 3s）。
3. 结论：
   • 在NAVSIM上，LatentVLA(iPad)取得了92.4的PDMS分数，刷新了SOTA。
   • 经过蒸馏后的模型（Distilled LatentVLA）在保持实时性的同时，性能显著优于原始基线（如Transfuser提升了2.6分）。
   • 在nuScenes上的零样本测试中，L2误差仅为0.33m，表现优异，证明了其强大的跨数据集泛化能力。

提到的同类工作

• DriveGPT4 / DrivingGPT：利用VLM进行场景理解和轨迹规划的早期尝试。
• DriveMoE / AutoVLA / ReCogDrive：近期的Vision-Language-Action (VLA) 模型，分别采用了混合专家架构、自回归动作Token化和扩散规划器。
• ImpromptuVLA / EMMA：其他基于VLA的自动驾驶方法，通常依赖更大的训练数据集或不同的动作表示方法。
• Transfuser / UniAD / iPad：传统的端到端自动驾驶感知与规划模型，作为本文方法的基线或学生模型架构。

和本文相关性最高的3个文献

1. ImpromptuVLA：这是本文在nuScenes零样本测试中主要对比的同类VLA工作，且本文引用其评估方法，用于证明自己在数据量较少的情况下仍能达到顶尖水平。
2. iPad：本文提出的LatentVLA框架是基于iPad架构进行改进和融合的（LatentVLA(iPad)），是本文核心验证的基线模型之一。
3. Transfuser：同iPad一样，Transfuser是本文采用的另一种端到端骨干网络（LatentVLA(Transfuser)），用于验证方法在不同架构下的通用性。