（1）《三年面试五年模拟》AIGC / LLM / AI Agent 算法工程师与开发工程师求职面试秘籍，独家资源见 WeThinkIn/AIGC-Interview-Book，欢迎 Star！
（2）AIGC / LLM / AI Agent 算法岗与开发岗求职面试内推学习社群，涵盖 AIGC、LLM 大模型、AI Agent、传统深度学习、自动驾驶、机器学习、计算机视觉、自然语言处理、强化学习、大数据挖掘、具身智能、元宇宙、AGI 等方向的最新面试干货与核心知识，欢迎加入(https://t.zsxq.com/33pJ0)！

---

论文标题：DriveZero: End-to-End Driving Beyond Human Demonstrations
论文作者：小米汽车AD与Robotics L3团队
发表时间：2026年9月5日

---

本文要点
（1）DriveZero是小米汽车AD与Robotics L3团队2026年9月5日挂出的端到端驾驶系统，感知用DriveVFM，动作用DriveRL，再蒸馏成只看相机的规划器。
（2）DriveRL加测试时搜索在nuPlan六项均分93.57，超过日志回放专家。相机版DriveZero-Scale在NAVSIMv1 navtest拿到95.3 PDMS，人类驾驶员是94.8。
（3）做法上两点最值得看，日志只负责搭交互世界、轨迹标签来自PPO老师，以及同一场景换导航意图再问老师，补出日志里没有的合法开法。
（4）短板也很硬。去掉意图扩增，老师轨迹监督只有93.61，低于人类轨迹的93.92。学生在开环里学，真车展示的是特权策略，没有公开里程和碰撞数字。
（5）文末抄官方DriveRL评估入口。GitHub截至9月16日仍把DriveZero和DriveVFM列在待办，权重也未随文放出。

---

小米汽车AD与Robotics L3团队在2026年9月5日把DriveZero技术报告挂上arXiv，编号2609.06055，v1就是这一版。我把HTML版从头对了一遍，又对照了GitHub README和Hugging Face论文页。

截至9月16日，仓库有105个Star，Hugging Face论文页有63个赞。报告写得很冲，端到端驾驶的行为可以越过人类演示数据的上限。

冲的地方在成绩。特权老师DriveRL加上基于价值的测试时动作搜索，在Val14、Test14-hard、Test14-random的非反应式和反应式六项上均分93.57，三个划分都超过日志回放专家。只看相机的DriveZero-Scale在NAVSIMv1 navtest拿到95.3 PDMS，人类驾驶员是94.8。

一、人类日志模仿学习的分布外失效

近几年端到端驾驶的主流，是拿人类开车日志当标签，看图或看状态，贴那一条已经发生过的轨迹。报告开篇把这条路的病写得很具体。

同一段路常常有好几条都能开的线，日志只留下司机当时选的那一条。危险偏离和把车救回来的动作本来就少。策略自己开出去以后碰到的状态，离线数据里更没有。误差一旦离开演示分布，就会往下滚。

直接在像素上做强化学习，探索吃样本，视觉仿真又贵。他们拆成两截。动作模型在紧凑的结构化状态上做高吞吐闭环交互。感知模型在大批量图像上蒸馏视觉基座。最后再把老师的滚动轨迹蒸馏进只看相机的学生。

这套叙事很容易被讲成自动驾驶版AlphaGo Zero。老师从随机初始化用PPO学，日志不给人怎么开，只给人留下的场景和目标。

二、DriveRL闭环强化学习训练框架

DriveRL是全篇的动作老师。策略大约5.70M参数，吃自车、周围交通参与者、局部矢量地图和红绿灯状态，输出纵向加加速度和轮胎转角变化率上的Beta分布，直接控车，不再做轨迹后处理。

每个参与者含当前帧再加前四帧，按5Hz采样，最多96个。地图最多256个矢量元素。导航用两个目标点，训练取日志未来位置，部署沿路线取近锚点和远锚点，前瞻随车速变。

仿真器把nuPlan日志变成可交互世界。报告配置里背景车主要用批量化IDM，一小部分做前车制动，行人仍走日志回放。自博弈是实车部署用的配置，在nuPlan上收益很小，他们归因于评测里背景车本身也由IDM开。

吞吐写得很满。每张卡2048个世界，96块GPU并行到196,608个世界。

训练从nuPlan trainval抽出922,703个场景，导出10Hz后再隔帧取成5Hz。每次滚动110步，日志回放和IDM场景各一半，2400次更新，大约21小时。经验全部来自交互，没有模仿预训练。

奖励分三块，安全约束主要落在硬事件上。新发生的多边形碰撞扣1.0并终止。驶离道路按速度相关项扣，基数是2.0，同样终止。第一次进到目标1.5米内，一次性加0.5，到达不终止。

软项六个分数都在0到1之间，管跨车道、中心线、路沿、舒适、碰撞时间和超速。六项做乘积再除以滚动长度110，一项很差乘积就塌。评论家拆成八个通道，加起来仍等于标量回报。

有一处我一开始容易看漏。红绿灯违规只当诊断指标，不进这篇报告里老师的标量奖励。附录里补了红灯奖励，策略独有违规率从3.88%降到2.03%，六项总分却全掉。nuPlan总分本身不奖红灯遵守，只看总分会把这件事看丢。

测试时搜索是同一份检查点上的加戏。保留Beta分布的众数当0号候选，再从策略里采样其余动作，短程滚五步，用训练时同一套奖励、折扣和评论家打分。只有比众数高出一个固定边距才换动作。边距在官方评估文档里写成0.03。候选数加到64，六项均分从93.01提到93.57。Test14-hard反应式从89.18微降到89.15，六项里唯一没涨的。

晚到演员进场也有安全门。自车相对日志位姿要在5米和0.35弧度以内，且不与场上可见物体相撞。动作也有物理界，加加速度从负8到正5米每秒三次方，转角变化率正负0.8弧度每秒，自行车模型加速度上限4.0，转角上限π/3。

三、nuPlan六项均分与navtest95.3

先把几个能对上的数放在一张表里。nuPlan均分是Val14、Test14-hard、Test14-random在非反应式和反应式上的未加权平均。navtest报PDMS，navhard报两阶段EPDMS，HUGSIM报零样本HD-Score均值。缺的格子写未报告，不猜。

方法	输入	人类轨迹监督	nuPlan六项均分	navtest PDMS	navhard EPDMS	HUGSIM HD-Score
DriveRL	结构化真值	无	93.01	95.8	55.6	未报告
DriveRL-TTS	结构化真值	无	93.57	未报告	未报告	未报告
DriveZero	相机	无	未报告	94.8	51.5	39.4
DriveZero-Scale	相机	无	未报告	95.3	57.1	46.6
人类驾驶员	结构化真值	有	未报告	94.8	未报告	未报告
DrivoR-Scale	相机	有	未报告	94.6	54.6	38.1

DriveRL在nuPlan六个设置上全部超过Log-Replay。反差最大的是反应式。Val14反应式日志回放只有80.32，DriveRL到94.25。Test14-hard反应式日志回放68.80，DriveRL到89.18。日志里那条人类轨迹，换到别人会动的交通里，分数掉得很快。老师在交互里把这条补上了。

相机学生这边要分开看两个版本。只用navtrain的DriveZero，navtest PDMS是94.8，和人类驾驶员打平。再加237K个SimScale仿真场景得到DriveZero-Scale，PDMS到95.3，这也是他们宣称超过人类驾驶员的那个点。navhard上Scale拿到57.1 EPDMS，超过上一名带人类监督的DrivoR-Scale的54.6。HUGSIM零样本HD-Score均值46.6，上一名无人类轨迹的GigaPixel是38.5。

消融比总分更扫兴，也更有用。同样在navtest上，人类轨迹监督得到93.92。只换成DriveRL轨迹、不加意图扩增，掉到93.61，比人类轨迹还低。加上目标意图扩增，才到94.41。老师能在同一初始场景上换导航意图再滚一轨，日志里没有的合法开法是从这里来的。没有这一步，所谓越过人类演示，在学生身上并不成立。

困难档也没被总分盖住。Test14-hard非反应式DriveRL-TTS是91.13，仍低于Val14的95.54。HUGSIM困难档HD-Score只有24.7，极端档27.6，都远低于简单档的81.9。榜首可以成立，短板也成立。

四、DriveVFM蒸馏与相机规划器

老师看的是特权结构化状态，车上要部署的学生只能看相机。DriveVFM按RADIO那套聚合蒸馏，把冻住的DINOv3、SigLIP2、SAM和Depth Anything V2收进一根驾驶骨干，监督全部来自这些模型的特征，不需要检测、分割、车道或深度标注。

预训练先256×256跑60万步，再512×512跑20万步，全局batch都是2048。数据把LAION-2B、ImageNet-21K、SA-1B和OpenDV、nuPlan、Waymo混在一起。训完扔掉老师模型和适配器，下游只留这根骨干。

DriveZero吃前、后、左、右四路相机，分辨率960×512，出64条候选轨迹，每条20步、5Hz。骨干冻住，只训秩32的Q/V LoRA。Scale版本可训参数18.58M，全量338.46M，16张H20上25个epoch，大约38小时。轨迹监督来自冻住的DriveRL滚动，明确写了不用人类轨迹。

蒸馏是开环的。每一帧把多相机图像和结构化状态配好，老师滚出20步轨迹，学生在图像上学。学生不进交互环境，也不做渲染。赢者通吃只更新离老师最近的提议，打分头按PDM六个分量监督，推理取预测总分最高的一条。

意图扩增发生在出标签之前。先改路线意图再让老师滚，评分走同一条扩增路线，命令、轨迹和打分绑在同一意图上。

五、本地部署与推理实践

以下命令来自官方DriveRL/README.md、DriveRL/docs/driverl_repro_eval.md和DriveRL/docs/driverl_environment.md，对应2026年9月15日放出的DriveRL推理与检查点。

公开仓库把DriveRL放在子目录里。根README待办里DriveZero和DriveVFM仍未勾，能复现的是特权老师，不是相机版DriveZero。环境写的是Python 3.11、PyTorch 2.7.1、CUDA 12.8。

git clone --recurse-submodules https://github.com/XiaomiAutoL3/DriveZero.git
cd DriveZero/DriveRL
python -m pip install -r requirements.txt -c constraints.txt
python -m pip install -e . --no-deps
python -m pip install -e nuplan-devkit --no-deps

论文里的单自车老师对应driverl-teacher-u2400。官方预检如下，成功应打印PREFLIGHT_OK。

export DRIVERL_EVAL_ROOT="$PWD"
export DRIVERL_EVAL_NUPLAN_ROOT="$PWD/nuplan-devkit"
export DRIVERL_EVAL_RELEASE_ID=driverl-teacher-u2400
export DRIVERL_EVAL_CONFIG_PATH="$PWD/release/configs/driverl_teacher.yaml"
export DRIVERL_EVAL_CHECKPOINT_PATH="$PWD/release/checkpoints/checkpoint_2400.pt"
export DRIVERL_EVAL_PYTHON="$(command -v python)"
bash scripts/run_driverl_nuplan_eval.sh preflight

六项评测还要自备nuPlan数据库和地图。普通套件把DRIVERL_EVAL_TTS_ENABLED设为0。确定性测试时搜索套件设为1，官方示例候选数是8、种子42。论文表3里均分93.57对应候选数64。用README示例的8个候选，表上只比纯众数高0.11，不要拿93.57去对那条命令。

六、总结与思考

这套分解值得抄。感知吃图，动作吃交互，最后用蒸馏接到可上车的观察上。直接在像素上做强化学习，这条路他们写明了样本和仿真都贵。把老师做小、把世界做并行，是这篇里最能落地的工程选择。

AlphaGo Zero的类比只能用一半。棋盘规则是完整的，驾驶世界仍然靠人类日志播种。越过的是轨迹标签，不是人类数据本身。意图扩增那组消融把边界画得很清楚，老师轨迹并不自动比人强，多样化的合法目标才把学生托过人类轨迹监督。

短板我更在意两处。学生始终在开环里模仿老师，没有在交互里为自己的视觉误差负责。第三节实车只写DriveRL上了一小队车，在拥挤城区闭环控车，演示视频放项目页，车队规模、里程、接管和碰撞都未报告。相机版DriveZero有没有上车，文里没写。

代码也还差一截。9月15日放出的是DriveRL推理和检查点，DriveZero和DriveVFM仍在待办。现在能核的，是特权老师在nuPlan上怎么评，不是相机规划器怎么在自己机器上出轨迹。

---

参考链接

• 技术报告原文 arXiv 2609.06055 v1，2026年9月
• 项目页 xiaomiautol3.github.io/DriveZero
• 代码与DriveRL推理 XiaomiAutoL3/DriveZero
• Hugging Face论文页 DriveZero
• 对比方案 NAVSIM、CaRL、HUGSIM、Qwen-Drive-1.0技术报告