Topic: Autonomous Driving Technology Evolution
Keywords: BEV, MapTR, Occupancy, UniAD, SparseDrive, SparseDriveV2, DiffusionDrive, World Model
引言
如果把自动驾驶比作一个正在成长的智能体，它的演进史本质上是一部认知边界不断扩张的进化史。从最初战战兢兢地识别交通标志，到如今尝试在脑海中模拟物理世界的运行规律，技术路线经历了几次决定性的范式转移（Paradigm Shift）。每一代技术的更迭，都是在解决上一个阶段留下的”认知死角”。
本文以”认知维度的突破”为主线，梳理自动驾驶从”视觉翻译”到”物理模拟”的五次关键跃迁，涵盖模块化感知、BEV 空间重构、占用网络、端到端融合与世界模型等核心方向。
1. 第一幕：碎裂的感知——模块化时代的”委员会”决策
在早期（2020 年以前），自动驾驶系统更像是一个分工明确但沟通低效的委员会。
感知模块（如红绿灯识别 TLR、车辆检测）通过 2D 卷积神经网络在图像上画框；预测模块估算他车行为；规划模块生成行驶轨迹。这些孤立的”框”被转化为坐标后传递给下游。这种架构清晰、可解释性强，在工程上也足够稳定。
然而，这种严格的模块化架构（Modular Pipeline）深陷信息瓶颈的泥潭：
- 信息损毁：当感知模块将丰富的图像压缩成几个枯燥的坐标点 $(x, y, v)$ 时，大量的环境上下文（路面的湿滑度、遮挡物的边缘、光影的暗示）被永久丢弃了。
- 误差崩塌：各模块是独立训练的，一旦上游感知出现误差，下游模块很难纠正。感知模块 1% 的目标丢失，在规划模块可能导致决策失败。
- 规则驱动：下游的决策者只能在残缺的信息碎片中，小心翼翼地遵循人类预设的 if-else 规则前进。
这种”各自为战”的局面，推动研究者思考一个根本问题：能不能给所有模块一个统一的空间语境？
2. 第二幕：空间的重构——BEV 带来的”上帝视角”
技术的第一次真正觉醒，源于智能体获得了空间感。
研究者意识到，车是开在 3D 物理世界里的，而非 2D 照片里——在 2D 特征空间中直接回归 3D 坐标本身就是一个病态问题（ill-posed）。以 LSS (Lift-Splat-Shoot) 为代表的方案解决了从平面到空间的跨越，将 2D 图像特征”举起”到 3D 空间并”拍扁”成 BEV 视图；而 BEVFormer 则通过 Transformer 建立了统一的鸟瞰图空间表示。与此同时，DETR3D → PETR → StreamPETR 这条 query-based 路线也在 BEV 空间上平行展开，引入了跨帧传播的时序建模能力，最终汇入 SparseDrive 的稀疏表示范式。
在这个统一的空间沙盘上，MapTR 登场了。传统方法通常通过像素分割识别车道区域，但道路结构本身具有明显的几何形态——车道线本质是一条曲线。MapTR 不再满足于像素级的分割，而是引入了矢量化建模的思路：
- 核心思想：直接预测一组地图元素（车道线、道路边界、斑马线），每个元素由一条折线或曲线表示。
- 排列不变性建模（Permutation-invariant modeling）：消除点集排列顺序对训练的干扰。
- 表示形式的转变：从密集像素表示（Dense Pixel）转向稀疏结构表示（Vector Element）。
值得注意的是，BEV 时代还催生了一条平行路线：BEVFusion（2022）证明了将激光雷达点云和摄像头图像统一到 BEV 空间后进行特征融合，可以显著提升检测精度和鲁棒性。这条”纯视觉 vs 多传感器”的技术分叉至今仍是工业落地中的核心决策点。
这一阶段的突破在于：系统不再只是”看”图像，而是在大脑中”重建”地图。感知输出开始具备明确的几何与拓扑意义。有了这种确定性的空间结构，自动驾驶才真正告别了平面感知的原始阶段。至此，技术完成了从感知 1.0（YOLO / Faster R-CNN，解决”那是什么”）到感知 2.0（LSS / BEVFormer，解决”在哪儿”）再到表示 1.0（MapTR，解决”路怎么走”）的三连跳。
3. 第三幕：隐形的防线——Occupancy Network 对”未知”的征服
即便有了矢量地图和车辆检测，系统仍会被”未知的未知”击败——比如路面上翻倒的货车、散落的纸箱、甚至姿势怪异的异形物体。这些没见过、无法分类的障碍物，是传统检测框架的盲区。
2022 年前后，Occupancy Network（占用网络） 的普及填补了这一空白。它不再纠结于”那个物体是什么”，而是回归物理本质：那个空间是否被占用？
- 技术逻辑：将 3D 空间划分为微小的格点（Voxel），只判断”这个空间是否被占用”，而不强制要求识别它”是什么”。这本质上模仿了激光雷达的感知方式。
- 工业推动：特斯拉在 2022 AI Day 大规模推广该技术，随后学术界涌现了 TPVFormer 等优化方案。
- 认知价值：系统从”语义识别”退回到更底层的”物理避障”。这种看似”退步”的策略，恰恰赋予了车辆处理异形障碍物的兜底能力。
从”显式语义识别”向”隐式物理避障”的过渡，是技术走向成熟的关键一步。占用网络为后续的世界模型提供了最基础的物理底色——因为世界模型预测的未来视图，底层往往就是基于 4D Occupancy 的时空演化。这一阶段对应表示 2.0：不问”是什么”，只问”占没占”——万物皆可避。
4. 第四幕：大脑的融合——从端到端到稀疏化表示
当空间建模和物理避障都具备后，系统迎来了一场”效率与协作”的革命。
4.1 端到端大统一：UniAD
尽管各模块的能力不断提升，它们之间依然存在隔阂——感知、预测、规划仍然是”串联”的，信息在传递过程中不断折损。
以 UniAD (Unified Autonomous Driving) 为里程碑，自动驾驶进入了真正的端到端（End-to-End）时代。UniAD 在一个 Transformer 网络里，让感知的结果直接作为 Query 传递给预测和规划，实现了全栈信息的无损流动。过去层层传递的模块化架构被打破，感知、预测与规划在一个统一的框架下协同优化。
UniAD 获得了 CVPR 2023 最佳论文，证明了将感知、预测、规划整合在一个 Transformer 架构下可以显著提升性能。这标志着自动驾驶彻底告别了”模块化拼接”，进入了”神经网络一通到底”的时代。
4.2 稀疏化表示：SparseDrive
紧接着，另一个问题浮现：BEV 特征图太重了。密集的 BEV 表示随分辨率增长带来了巨大的计算开销。
SparseDrive 证明了认知的进阶并不一定意味着计算量的堆叠。通过稀疏场景表示（Sparse Scene Representation），系统学会了从万千像素中提炼出关键的 Scene Tokens：
- 万物皆 Token：取消密集的 BEV 特征图，代之以一组稀疏的 Scene Tokens。
- 每个 Token 承载了目标的位置、类别以及潜在的语义特征，可以对应一辆车、一个行人或一段道路结构。
- 规划模块可以直接基于这些 Token 推理出车辆的行驶轨迹。
这一阶段不仅是计算效率的提升，更是从”显式几何”向”隐式特征”的跨越。规划模块不再阅读”地图”，而是直接在特征空间中进行推理。这种高度抽象的 Token 化表示，标志着系统从对物理世界的硬性堆砌，转向了对场景本质的深度理解——决策 1.0 的核心就是打通感知-预测-规划的任督二脉，让”协同优化”取代”逐层传递”。
5. 第五幕：模拟的推演——世界模型与未来的生成
当下（2025–2026 年），技术正处于演进的最高峰：从”响应世界”转向”模拟世界”。
5.1 生成式规划：DiffusionDrive
真实世界的驾驶不是做单选题，而是概率论。传统的回归模型只能输出一条轨迹，面对复杂的十字路口往往会产生”决策犹豫”——回归多个模态的均值，得到一条谁也不满意的折中路径。
为什么扩散模型天然适合这个问题？核心在于：回归模型学习的是条件均值 $\mathbb{E}[y|x]$，而扩散模型学习的是条件分布 $p(y|x)$。前者在多模态分布上取平均会产生无意义的中间结果，后者则可以从分布中采样出多条各自合理的轨迹。
DiffusionDrive 利用扩散模型（Diffusion Model）从随机噪声中逐步恢复轨迹，实现了生成式规划：
- 多模态能力：系统可以同时生成”直行、减速等待、绕行”等多条合理的候选路径。
- 不确定性表达：与传统直接回归一条轨迹相比，扩散模型可以更自然地表达驾驶决策的不确定性。
系统承认了未来的不确定性，标志着自动驾驶从”寻找唯一解”转向了”评估可能性”。
5.1b 评分派的反击：SparseDriveV2
然而，”生成即正义”的共识并非没有反例。
就在 DiffusionDrive 之后，地平线的 SparseDriveV2 抛出了一个颠覆性的反问：静态候选轨迹这条路，真的走不通了吗？ 通过一组简洁的 Scaling 实验，作者发现将 Hydra-MDP 的轨迹锚点从 1024 增至 16384 时，规划性能持续上涨，直到显存溢出才被迫停止——天花板不是范式，而是覆盖率。
如果问题仅仅是”词表不够密”，那解法就变得优雅：将一条完整轨迹拆成几何路径（”车往哪走”）和速度轮廓（”以多快的节奏走”）的自由组合。1024 条路径 × 256 种速度 = 262,144 条候选，是传统方案的 32 倍密度。再配合粗到细的两级评分，从 26 万条候选中层层筛选到 400 条精细打分，SparseDriveV2 以 92.0 PDMS 刷新了 NAVSIM 纪录——超越了所有生成式方法。
这一结果让行业意识到：规划范式的选择不是非此即彼。DiffusionDrive 系列（及后续的 DiffusionDriveV2、GoalFlow）代表了生成派——用连续去噪/流匹配探索动作空间；SparseDriveV2 代表了评分派——用超密静态词表加层级筛选覆盖动作空间。两条路线正在并行推进，各有所长。
5.2 世界模型：学习物理规律
但生成轨迹仍然只是解决问题的一部分。真正决定驾驶安全的，是对未来交通场景整体变化的理解。如果系统能够预测未来几秒内整个交通环境会如何演化，那么规划就可以在这些预测场景中进行决策。
正是在这种思路下，世界模型（World Model） 成为新的研究方向。以 GAIA-1 和 DriveDreamer 为代表，系统通过海量视频学习物理世界的运行逻辑：
- 动作条件生成：系统会问——“如果我左转，世界会变成什么样？”然后生成对应的未来场景视频或 BEV 演化。
- Occupancy 的进阶：通过预测 3D 空间的占用变化，处理那些无法归类的异形物体。
- 闭环学习：世界模型让系统在”想象”中试错，极大地提升了处理 Corner Cases 的能力。
5.3 VLA 与具身智能的融入
更进一步，随着 VLA（Vision-Language-Action） 模型的融入，智能体开始具备常识推理能力。它不仅理解物理，还能理解语义（如：”在那辆黄颜色车的后面停一下”）。
值得注意的是，世界模型与近年来快速发展的视觉语言模型（VLM）本质上解决的是不同层面的问题：
- VLM/VLA：侧重语义理解与语言推理（如识别物体属性或理解语言指令）。
- World Model：侧重物理动态演化（如位置、速度和空间约束）。
自动驾驶的世界模型本质上是在学习一个物理系统，而不是一个语言推理系统。从决策 2.0（生成式规划，预测可能的未来）到决策 3.0（VLA，理解语言指令），技术演进仍在加速。
6. 技术演进全景
自动驾驶认知演进路线图
┌──────────────────────────────────────────────────────────────┐
│ │
│ 第一幕 信息瓶颈 第二幕 异形障碍物 第三幕 │
│ 模块化感知 ──────────▶ BEV+矢量化 ─────────▶ 占用网络 │
│ (2D 画框) (3D空间重构) (物理兜底) │
│ YOLO / RCNN LSS / BEVFormer Occ Network │
│ DETR3D→PETR→StreamPETR TPVFormer │
│ MapTR / BEVFusion │
│ │
│ 模块割裂 │ │
│ ▼ │
│ │
│ 第四幕 单一轨迹/无法预测未来 第五幕 │
│ 端到端+稀疏化 ──────────────────────▶ 多模态规划+世界模型 │
│ (全栈融合) (路线之争) │
│ UniAD / SparseDrive DiffusionDrive (生成派) │
│ SparseDriveV2 (评分派) │
│ GAIA-1 (世界模型) │
│ │
└──────────────────────────────────────────────────────────────┘
认知维度: 识别物体 → 空间重构 → 物理避障 → 统一融合 → 模拟世界
技术演进对比表
| 版本 | 阶段定位 | 解决的问题 | 代表方法 | 空间形态 |
|---|---|---|---|---|
| 感知 1.0 | 图像空间感知 | “那是什么” (Classification) | YOLO, Faster R-CNN | 2D 图像空间 |
| 感知 2.0 | 多视图 3D 检测 | “精准定位” (Query-based) | DETR3D, PETR, StreamPETR | 3D 查询空间 |
| 感知 2.0+ | BEV 空间重构 | “在哪儿” (3D Localization) | LSS, BEVFormer, BEVDet | 3D BEV 空间 |
| 表示 1.0 | 结构化矢量表示 | “路怎么走” (Topology) | MapTR, VectorNet | 3D 矢量空间 |
| 表示 2.0 | 占用空间建模 | “万物皆可避” (General Obstacles) | Tesla Occ, TPVFormer | 3D 体素空间 |
| 决策 1.0 | 端到端大统一 | “协同优化” (Information Flow) | UniAD, SparseDrive | 稀疏 Token 空间 |
| 决策 2.0 | 多模态规划 | “覆盖可能性” (Multi-Modal) | DiffusionDrive (生成), SparseDriveV2 (评分) | 4D 时空流形 / 分解式词表 |
| 决策 3.0 | VLA 与具身智能 | “常识推理” (Reasoning) | LLM-Driver | 多模态语义空间 |
7. 底层趋势与启示
纵观整个发展过程，自动驾驶的技术路径体现出一个核心趋势：从”显式定义”向”隐式学习”的转变。
- 早期的 MapTR 还在用复杂的几何约束（显式）来规定车道线的形态。
- 到了 SparseDrive，系统通过一组 Token 隐式表示整个场景。
- 最终的 World Model 阶段，系统已经开始通过生成视频来自我理解物理规律（隐式）。
同时，评价体系也在演化。传统的 AP 指标衡量的是”画框准不准”，而世界模型时代的指标可能转向衡量”对未来的预测像不像”——从空间精度评价走向时序一致性评价。
这条技术路线，本质上是人工智能在物理世界中重新走一遍人类认知的路。从 MapTR 的几何结构，到 SparseDrive 的抽象表示，再到世界模型的物理直觉，每一个节点的跨越都让机器离”理解”更近一步。自动驾驶正从单纯的”传感器翻译机”进化为理解物理规律的智能体。