Task: End-to-End Autonomous Driving (Detection, Tracking, Mapping, Motion Prediction, Planning)
Method: Sparse Scene Representation, Factorized Trajectory Vocabulary, Coarse-to-Fine Scoring
Venue: arXiv 2024 / arXiv 2026
Year: 2024 → 2026
Paper: SparseDrive / SparseDriveV2
Code: SparseDrive
摘要
现有端到端自动驾驶方法依赖计算昂贵的 BEV 特征，且预测和规划的设计过于简单，安全性不足。本文提出 SparseDrive，一种以稀疏表示为核心的端到端自动驾驶范式。SparseDrive 包含两大核心模块：对称稀疏感知（Symmetric Sparse Perception）用对称的模型结构统一检测、跟踪和在线建图，学习全稀疏的场景表示；并行运动规划器（Parallel Motion Planner）同时预测周围智能体和自车的多模态轨迹，并通过分层规划选择策略（命令过滤 + 碰撞感知重评分）选出安全轨迹。SparseDrive-S 仅用 ResNet-50，在所有任务上超越 UniAD，同时训练快 7.2×、推理快 5.0×（9.0 FPS）；SparseDrive-B 以 0.58m avg L2 和 0.06% avg Col 将规划性能推至新高。
核心论点：端到端自动驾驶不需要昂贵的 BEV 特征——稀疏实例表示（特征+锚框/折线）足以编码驾驶场景，而运动预测与规划的高度相似性允许并行设计，将规划建模为多模态问题并通过碰撞感知重评分保障安全。
问题与动机
UniAD 等 BEV-Centric 端到端方法取得了突破性进展，但存在两大瓶颈：
| 问题 | 影响 | UniAD 具体表现 |
|---|---|---|
| BEV 特征计算昂贵 | 训练慢、推理慢、显存大 | 1709 GFLOPs，1.8 FPS，50G 显存 |
| 预测/规划设计简单 | 规划安全性不足 | 碰撞后处理反而增加碰撞率 |
| 预测和规划串行 | 忽略自车对周围智能体的影响 | 单向信息流 |
| 规划单模态 | 无法表达多种合理行为 | 只预测一条确定性轨迹 |
SparseDrive 观察到运动预测和规划有三个被忽视的相似性：
- 两者都需要建模高阶双向交互（自车影响他车，他车影响自车）
- 两者都需要语义+几何信息（但前人仅为周围智能体提取这些信息，忽略了自车）
- 两者都是多模态问题（但前人规划只输出单条确定性轨迹）
核心洞察
洞察 1：全稀疏表示——不需要 BEV 特征的端到端驾驶
传统做法：BEVFormer/LSS 构建稠密 BEV 特征图（200×200×256），然后在 BEV 上做检测、分割和规划。
SparseDrive 做法：用稀疏实例（特征向量 + 锚框/折线）表示场景。检测分支用 900 个锚框（位置+尺寸+朝向+速度 11 维），建图分支用 100 个锚折线（20 点 × 2 维）。两者共享对称的解码器结构：可变形聚合 → FFN → 输出层 → 时序交叉注意力 → 自注意力。
为什么更好：去掉 BEV 特征后，FLOPs 从 1709G（UniAD）降至 192G（SparseDrive-S），FPS 从 1.8 提升至 9.0（5.0× 加速），训练时间从 144h 降至 20h（7.2× 加速），GPU 显存从 50G 降至 15.2G。更关键的是，稀疏表示的性能不降反升——SparseDrive-S 比 UniAD 在检测 mAP、跟踪 AMOTA、运动 minADE 上均更优。
洞察 2：并行预测+规划——自车也是一个智能体
传统做法（UniAD/VAD）：先做运动预测（预测周围智能体未来轨迹），再用预测结果辅助规划。信息单向流动，自车对周围智能体的影响被忽略。
SparseDrive 做法：用前视摄像头最小特征图的全局池化初始化 ego 实例（提供语义信息），将 ego 与周围智能体实例拼接，在同一个 Transformer 中做 agent-temporal、agent-agent、agent-map 交互，然后同时解码所有智能体（含自车）的多模态轨迹。
为什么更好：消融实验（Table 4）显示，去掉并行设计（改为串行）后运动预测 minADE 从 0.623 上升至 0.641，碰撞率从 0.08% 上升至 0.10%。去掉 ego 实例初始化后 avg L2 从 0.61 升至 0.63，碰撞率从 0.08% 升至 0.11%。
洞察 3：碰撞感知重评分——后处理优化反而有害
传统做法（UniAD）：推理时用 Newton 法基于占用图优化规划轨迹。看似合理，但 SparseDrive 发现这种后处理不仅未降低碰撞率，反而使碰撞率从 0.25% 上升至 0.61%（重新实现的碰撞率指标下），L2 从 0.61 上升至 0.73。
SparseDrive 做法：规划输出 6 条多模态轨迹。先按导航命令（左转/右转/直行）筛选子集，再用碰撞感知重评分——利用运动预测的 top-2 轨迹检查自车各规划方案是否碰撞，将碰撞方案的分数置零，最后选最高分轨迹。
为什么更好：碰撞感知重评分将碰撞率从 0.12% 降至 0.08%（Table 5），几乎不增加 L2 误差（0.61→0.61），且保持端到端范式一致性（不破坏梯度流）。
要记住的 3 个数字：
- 0.06% avg Col：SparseDrive-B 的碰撞率，比 VAD（0.21%）降低 71.4%
- 9.0 FPS：SparseDrive-S 的推理速度，比 UniAD（1.8）快 5.0×
- 192 GFLOPs：SparseDrive-S 的计算量，仅为 UniAD（1709）的 11%
方法设计
整体架构
多视图 6 cam
│
▼
┌───────────────┐
│ ResNet + FPN │ 多尺度特征 I = {I_s}
└─────┬─────────┘
│
├────────────────────────────────┐
▼ ▼
┌────────────────────┐ ┌────────────────────┐
│ 检测分支（对称） │ │ 建图分支（对称） │
│ 900 锚框 (11维) │ │ 100 锚折线 (20点) │
│ 1 non-temporal dec │ │ 1 non-temporal dec │
│ + 5 temporal dec │ │ + 5 temporal dec │
│ → F_d, B_d 实例 │ │ → F_m, L_m 实例 │
│ + ID 分配 →跟踪 │ │ │
└──┬─────────────────┘ └──┬─────────────────┘
│ │
▼ ▼
┌──────────────────────────────────────────────┐
│ 并行运动规划器 │
│ ① Ego 初始化：AvgPool(front_cam_S) │
│ ② Agent-temporal cross-attn (自身历史) │
│ ③ Agent-agent self-attn (所有智能体含ego) │
│ ④ Agent-map cross-attn (地图元素) │
│ ⑤ 同时解码 motion (K=6,T=12) + plan (K=6,T=6) │
└──┬───────────────────────────────────────────┘
│
▼
┌──────────────────────────┐
│ 分层规划选择 │
│ ① 按命令(左/右/直)筛选 │
│ ② 碰撞感知重评分 │
│ ③ 选最高分轨迹 τ* │
└──────────────────────────┘
关键组件
| 模块 | 输入 | 输出 | 核心设计 |
|---|---|---|---|
| 对称稀疏感知（检测） | 多尺度图像特征 $I$ | 实例特征 $F_d$ + 锚框 $B_d$ | 可变形聚合 + 时序交叉注意力 + 自注意力 |
| 对称稀疏感知（建图） | 同上 | 实例特征 $F_m$ + 锚折线 $L_m$ | 与检测分支结构对称，折线用 20 点表示 |
| 稀疏跟踪 | 时序传播实例 | 带 ID 的跟踪结果 | Sparse4Dv3 式 ID 分配，无跟踪损失 |
| Ego 实例初始化 | 前视最小特征图 | $F_e, B_e$ | 全局平均池化 + 辅助 ego status 预测 |
| 并行运动规划器 | $F_d, F_e, F_m$ | 多模态轨迹 + 分数 | agent-temporal/agent-agent/agent-map 交互 |
| 碰撞感知重评分 | 多模态规划方案 + 运动预测 | 最终安全轨迹 | top-2 预测轨迹碰撞检测，碰撞方案分数置零 |
损失函数：
$$\mathcal{L} = \mathcal{L}_{\text{det}} + \mathcal{L}_{\text{map}} + \mathcal{L}_{\text{motion}} + \mathcal{L}_{\text{plan}} + \mathcal{L}_{\text{depth}}$$各项均包含分类（Focal）+ 回归（L1）损失。运动和规划采用 Winner-Takes-All 策略（ADE 最小的模态为正样本）。规划额外预测当前 ego status（速度、加速度、角速度、转角）。
实验与分析
主要结果
nuScenes val 规划（Table 2b）
| 方法 | L2 1s↓ | L2 2s↓ | L2 3s↓ | avg L2↓ | Col 1s↓ | Col 2s↓ | Col 3s↓ | avg Col↓ |
|---|---|---|---|---|---|---|---|---|
| UniAD† | 0.45 | 0.70 | 1.04 | 0.73 | 0.62 | 0.58 | 0.63 | 0.61 |
| VAD† | 0.41 | 0.70 | 1.05 | 0.72 | 0.03 | 0.19 | 0.43 | 0.21 |
| SparseDrive-S | 0.29 | 0.58 | 0.96 | 0.61 | 0.01 | 0.05 | 0.18 | 0.08 |
| SparseDrive-B | 0.29 | 0.55 | 0.91 | 0.58 | 0.01 | 0.02 | 0.13 | 0.06 |
注：UniAD/VAD 结果为 SparseDrive 重新实现的碰撞率指标（考虑 ego heading 变化，使用 BBox 重叠而非占用图）。
感知与运动预测
| 指标 | UniAD | SparseDrive-S | SparseDrive-B |
|---|---|---|---|
| det mAP↑ | 0.380 | 0.418 | 0.496 |
| det NDS↑ | 0.498 | 0.525 | 0.588 |
| AMOTA↑ | 0.359 | 0.386 | 0.501 |
| IDS↓ | 906 | 886 | 632 |
| map mAP↑ | — | 55.1 | 56.2 |
| minADE↓ | 0.71 | 0.62 | 0.60 |
| minFDE↓ | 1.02 | 0.99 | 0.96 |
效率对比（Table 3）
| 方法 | 训练显存 | 训练时间 | FLOPs | 参数量 | FPS |
|---|---|---|---|---|---|
| UniAD | 50.0G | 144h | 1709G | 125.0M | 1.8 |
| SparseDrive-S | 15.2G | 20h | 192G | 85.9M | 9.0 |
| SparseDrive-B | 17.6G | 30h | 787G | 104.7M | 7.3 |
消融实验：验证三个洞察
运动规划器设计消融（Table 4）
| ID | PAL | EII | MTM | ATA | CAR | minADE↓ | avg L2↓ | avg Col↓ |
|---|---|---|---|---|---|---|---|---|
| 1 | ✓ | ✓ | ✓ | ✓ | ✓ | 0.623 | 0.61 | 0.08 |
| 2 | — | ✓ | ✓ | ✓ | ✓ | 0.641 | 0.61 | 0.10 |
| 3 | ✓ | — | ✓ | ✓ | ✓ | 0.621 | 0.63 | 0.11 |
| 4 | ✓ | ✓ | — | ✓ | ✓ | 0.626 | 0.69 | 0.25 |
| 5 | ✓ | ✓ | ✓ | — | ✓ | 0.634 | 0.77 | 0.16 |
PAL=并行设计, EII=Ego 初始化, MTM=多模态规划, ATA=Agent-temporal attention, CAR=碰撞感知重评分。
关键发现：
- 去掉多模态规划（ID-4）碰撞率暴增至 0.25%（3.1×）
- 去掉 agent-temporal attention（ID-5）L2 误差升至 0.77m（+26%）
- 碰撞感知重评分（ID-1 vs ID-6=无 CAR）将碰撞率从 0.12% 降至 0.08%
失效场景分析
- 在线建图：单任务方法 MapTR 的 mAP（58.7）仍高于 SparseDrive-B（56.2），端到端优化未能充分释放建图性能
- 开环评估局限：nuScenes 开环评估无法全面衡量安全性和交互能力
- 数据规模：nuScenes 仅 1000 场景，不足以发挥端到端学习的全部潜力
工程实践
训练配置
Backbone: ResNet-50 (S) / ResNet-101 (B) |
复现要点
- 对称感知的关键是锚框初始化：检测和建图的锚框位置均由训练集 K-Means 聚类得到，直接影响收敛速度
- Ego 速度不能用 GT：直接用 GT 速度初始化 ego 锚框会导致 ego status 信息泄露，需通过辅助任务预测速度并用上一帧预测值初始化
- 碰撞检测用 BBox 重叠：不同于 UniAD 用 0.5m 占用图（会产生假碰撞），SparseDrive 用 ego BBox 和障碍物 BBox 的实际重叠判断碰撞，并考虑 ego heading 变化
- 跟踪无需额外损失：Sparse4Dv3 式 ID 分配——检测置信度超过 0.2 即锁定 ID，时序传播自然保持身份一致性
- Flash Attention 显存优化：在 self-attention 和 cross-attention 中使用 Flash Attention，显存从约 25G 降至 15.2G（SparseDrive-S）
性能优化方向
精度提升：
- 更大 backbone（R101，512×1408）从 S→B 提升检测 mAP +7.8，碰撞率降低 25%（0.08→0.06）
- 更长时序记忆（当前仅 3 帧），可引入更长历史提升运动预测精度
速度优化：
- SparseDrive-S 已达 9.0 FPS（4090），进一步轻量化可考虑减少锚框数量或解码器层数
- 去掉深度辅助损失可减少训练开销，但可能影响感知精度
研究启示
可迁移的思想
- 稀疏表示替代 BEV：对于不需要稠密空间推理的任务，稀疏实例表示可大幅降低计算成本，适用于端到端机器人操控、无人机导航等资源受限场景
- 并行预测+规划：将自车视为”又一个智能体”参与联合预测，通过共享 Transformer 天然建模双向交互
- 碰撞感知重评分 > 后处理优化：基于预测结果的碰撞检测比基于占用图的后处理优化更安全、更高效
- 对称模型设计：检测和建图用相同的解码器结构（仅锚框定义不同），简化了代码实现和调参
方法局限
- 开环评估（nuScenes）不足以证明闭环安全性
- 无 BEV 特征意味着缺少稠密空间信息，对 OccFormer 式的占用预测不友好
- 碰撞重评分依赖运动预测精度——如果预测不准，碰撞检测也不可靠
技术影响
- SparseDrive 证明了 BEV 特征不是端到端自动驾驶的必需品，稀疏表示在性能和效率上均可超越 BEV-Centric 方案
- 并行预测+规划的范式被后续 DiffusionDrive 等方法采纳，成为新的设计趋势
- 提出的碰撞率评估修正（考虑 ego heading + BBox 重叠）被社区采用为更公平的规划评估标准
SparseDrive 解决了端到端自动驾驶的表示效率问题——证明稀疏表示足以替代 BEV。但自动驾驶的核心挑战还有另一面：规划质量。当 DiffusionDrive 等生成式方法将多模态规划推向新高度时，SparseDriveV2 从评分范式出发，给出了一个出人意料的回答。
SparseDriveV2：Scoring is All You Need
Paper: SparseDriveV2
摘要
SparseDriveV2 重新审视了端到端自动驾驶中”静态候选轨迹 vs 生成式轨迹”的路线之争。通过 Scaling Study 发现，Hydra-MDP 的静态轨迹锚点从 1024 增至 16384 时，EPDMS 从 85.02 持续上涨至 87.35，直到 32768 才因显存溢出停止——性能并未饱和，先撞墙的是算力。这说明过去对静态词表的不满，核心原因不是”打分派范式不行”，而是词表覆盖率不够。
基于这一判断，SparseDriveV2 提出两项核心创新：（1）分解式轨迹词表（Factorized Vocabulary）：将轨迹拆分为几何路径 path 和速度轮廓 velocity profile 的自由组合，以 1024 × 256 = 262,144 条候选覆盖极密的轨迹空间；（2）粗到细的分解评分（Coarse-to-Fine Factorized Scoring）：先分别对 path 和 velocity 粗打分淘汰，再对少量高质量组合精细打分，将实际评分量从 26 万压缩至 400 条。最终在 NAVSIM 上达到 92.0 PDMS 和 90.1 EPDMS，以纯评分范式刷新端到端自动驾驶 SOTA。
核心论点：静态候选轨迹的瓶颈不在于范式，而在于覆盖率——通过路径×速度的分解式组合，词表可以指数级扩展而不爆显存；配合粗到细的层级评分，”Scoring is All You Need”足以匹敌乃至超越生成式方法。
问题与动机
SparseDriveV2 诞生于端到端自动驾驶的三条主线交汇之处：
| 路线 | 代表方法 | 核心思路 | 局限 |
|---|---|---|---|
| Planning-Oriented 统一范式 | UniAD, SparseDrive | 全栈端到端，打通感知-预测-规划 | 规划为单模态/有限模态 |
| 多模态规划候选集之争 | VADv2, Hydra-MDP, DiffusionDrive, GoalFlow | 静态词表打分 / 扩散生成 / Flow Matching | 静态词表太稀 or 生成模型复杂 |
| VLA / 世界模型 | DriveVLA-W0, Alpamayo-1, AutoVLA | 语义理解 + 未来想象 + 动作规划一体化 | 实时性差，安全约束难满足 |
在第二条路线中，生成式方法（DiffusionDrive、DiffusionDriveV2、GoalFlow）日益强势，但伴随着额外的 proposal 生成、去噪过程、mode collapse 等复杂性。SparseDriveV2 反其道而行，回到评分范式，追问一个被大多数人放弃的问题：
核心痛点：静态候选轨迹真的不行了吗？还是只是没人把词表做得够密？
核心洞察
洞察 1：Scaling Study——静态词表的真正瓶颈是覆盖率
传统认知：静态轨迹锚点（如 Hydra-MDP 的 8192 条）天然不如生成式方法灵活，无法覆盖复杂场景的真实可行解。
SparseDriveV2 发现：在 Hydra-MDP 上做 Scaling 实验，锚点数从 1024 逐步增至 32768：
| 轨迹锚点数 | EPDMS |
|---|---|
| 1024 | 85.02 |
| 4096 | 86.58 |
| 8192 | 86.83 |
| 16384 | 87.35 |
| 32768 | 显存溢出 |
关键结论：性能在 16384 anchors 时仍未饱和，先撞墙的是显存——说明”打分派天然不如生成派”的结论下得太早，覆盖率不够才是根本原因。
洞察 2：分解式轨迹词表——路径 × 速度 = 组合爆炸
传统做法：将完整轨迹 $\tau = \{(x_t, y_t)\}_{t=1}^T$ 作为不可分的整体聚类成锚点。想覆盖”左转半径 × 并线角度 × 加减速节奏 × 刹停时机”等组合，词表指数级膨胀。
SparseDriveV2 做法：将轨迹分解为两个独立维度：
$$\tau = \text{Compose}(P, V)$$其中几何路径 $P$ 描述”车往哪走”（空间形状），速度轮廓 $V$ 描述”以多快节奏走”（时间演化）。速度由相邻时刻位置差分得到：
$$v_t = \sqrt{(x_{t+1}-x_t)^2 + (y_{t+1}-y_t)^2} / \Delta t$$累计路程 $s_t = \sum_{i=1}^{t} v_i \cdot \Delta t$ 定义了沿路径的行进距离，再通过插值即可将 path 和 velocity 重新组合为一条完整轨迹。
词表规模从一维枚举变为组合式扩展：
$$|\text{Vocabulary}| = N_{\text{path}} \times N_{\text{velocity}}$$最终设置 1024 path anchors × 256 velocity anchors = 262,144 候选轨迹，是此前常见 8192 anchors 的 32× 密度。
为什么更好：同样的存储和聚类成本下，词表密度指数级提升。”路线模板”和”速度节奏”的自由配对，让词表不再需要穷举所有时空组合。
洞察 3：粗到细的分解评分——层级筛选压缩计算量
传统做法：给定场景特征，对每条候选轨迹逐一打分 $s_i = f(\tau_i, \mathbf{c})$。当词表涨到 26 万条时，逐条评分的计算量线性爆炸。
SparseDriveV2 做法：既然轨迹已被拆为 path 和 velocity，评分也可以分两阶段做：
- Coarse Factorized Scoring：分别给 path anchors 和 velocity anchors 独立粗打分，保留 top-128 paths 和 top-64 velocities
- Fine-Grained Trajectory Scoring：第二层进一步收缩至 20 paths × 20 velocities = 400 条 composed trajectories，再做精细打分
打分器不是单纯的 imitation learning，同时使用 path loss、velocity loss、trajectory-level soft classification loss，再叠加 rule-based metric supervision：
$$\mathcal{L}_{\text{V2}} = \mathcal{L}_{\text{path}} + \mathcal{L}_{\text{velocity}} + \mathcal{L}_{\text{traj-cls}} + \mathcal{L}_{\text{metric}}$$为什么更好：从 262,144 → top-128×64 → 20×20 = 400，实际精细打分的轨迹数量压缩了 655×。层级筛选让超密词表不仅可行，而且高效。
要记住的 3 个数字：
- 262,144：分解式词表覆盖的候选轨迹总数（1024 path × 256 velocity），是传统 8192 anchors 的 32×
- 400：最终进入精细打分的轨迹数量（20 paths × 20 velocities），仅占词表的 0.15%
- 90.1 EPDMS：NAVSIM 新 SOTA，纯评分范式超越 DiffusionDrive（88.1）等生成式方法
方法设计
整体架构
$$\tau^* = \arg\max_{\tau \in \text{Top-}k(\mathcal{P}) \times \text{Top-}k(\mathcal{V})} \; f_{\text{fine}}(\text{Compose}(p, v), \mathbf{c})$$
多视图 6 cam
│
▼
┌───────────────┐
│ Backbone+FPN │ 多尺度特征 I
└─────┬─────────┘
│
▼
┌─────────────────────────────────────┐
│ SparseDrive V1 感知编码器 │
│ (稀疏检测 + 建图 + Ego 初始化) │
│ → 场景特征 c │
└─────┬───────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────┐
│ 分解式轨迹词表 (Factorized Vocabulary) │
│ │
│ Path Anchors (1024) Velocity Anchors (256) │
│ ┌─────────┐ ┌─────────┐ │
│ │ 几何路径 │ × │ 速度轮廓 │ = 262,144 候选 │
│ └─────────┘ └─────────┘ │
└─────┬───────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────┐
│ 粗到细评分 (Coarse-to-Fine Scoring) │
│ │
│ Layer 1: Coarse Factorized Scoring │
│ path: 1024 → top-128 │
│ velocity: 256 → top-64 │
│ │
│ Layer 2: Fine Factorized Scoring │
│ path: 128 → top-20 │
│ velocity: 64 → top-20 │
│ compose: 20 × 20 = 400 trajectories │
│ │
│ Fine-Grained Scoring → τ* │
└─────────────────────────────────────────────────────┘
关键组件
| 模块 | 输入 | 输出 | 核心设计 |
|---|---|---|---|
| 分解式词表 | 训练集轨迹 | 1024 paths + 256 velocities | path 和 velocity 分别 K-Means 聚类 |
| Path-Scene Interaction | path anchors + 场景特征 | path 评分 | 可变形聚合（Deformable Aggregation） |
| Coarse Scoring | path/velocity + 场景特征 | top-128 paths, top-64 velocities | 独立通道打分，淘汰低分候选 |
| Trajectory Composition | top-k paths × top-k velocities | composed trajectories | 沿 path 按 velocity 距离插值重组 |
| Trajectory Re-conditioning | composed 轨迹 + 场景特征 | 精调后轨迹 | 条件注入增强场景一致性 |
| Fine-Grained Scoring | 400 条 composed 轨迹 | 最终 $\tau^*$ | 精细逐条打分，选最高分 |
实验与分析
NAVSIM 主要结果
| 方法 | 范式 | PDMS↑ | EPDMS↑ |
|---|---|---|---|
| Hydra-MDP (8192) | 静态词表打分 | — | 86.83 |
| DiffusionDrive | 截断扩散生成 | 88.1 | — |
| GoalFlow | Flow Matching | — | — |
| SparseDriveV2 | 分解式词表打分 | 92.0 | 90.1 |
消融实验
词表密度消融
| Path × Velocity | 候选总数 | EPDMS |
|---|---|---|
| 512 × 128 | 65,536 | 88.7 |
| 1024 × 256 | 262,144 | 90.1 |
词表从 512×128 提升至 1024×256，EPDMS 提升 +1.4，且未出现性能饱和，验证了更密词表持续有效的核心判断。
打分架构消融
| 组件 | 效果 |
|---|---|
| Path-Scene Interaction → Deformable Aggregation | 有效提升 |
| + Trajectory Re-conditioning | 继续提升 |
| 最强配置 = 更密分解词表 + 更强 Coarse-to-Fine 打分 | 90.1 EPDMS |
V1 → V2 演进对比
| 维度 | SparseDrive V1 | SparseDriveV2 |
|---|---|---|
| 核心问题 | BEV 特征计算昂贵 | 静态词表覆盖不足 |
| 解法 | 稀疏实例替代 BEV | 分解式词表 + 层级打分 |
| 轨迹表示 | 6 条多模态轨迹（回归） | 262,144 条候选（path×velocity 组合） |
| 规划范式 | 并行运动规划器 + 碰撞感知重评分 | Coarse-to-Fine Factorized Scoring |
| 评估基准 | nuScenes 开环 | NAVSIM |
| PDMS | — | 92.0 |
| 关键洞察 | BEV 不是必需品 | Scoring is All You Need |
研究启示（V2）
V2 可迁移的思想
- 分解式表示：将高维搜索空间拆分为低维子空间的组合，适用于任何需要大规模候选集的决策问题（机器人抓取姿态、无人机路径规划等）
- Coarse-to-Fine 层级筛选：在超大候选空间中，先粗筛再精选是平衡覆盖率与计算量的通用策略
- Scaling Study 先行：在提出新方法前，先做 scaling 分析验证当前方法的真正瓶颈，避免”解决了一个不存在的问题”
V2 技术定位
SparseDriveV2 选择了一条与主流生成式方法相反的路线。DiffusionDrive/DiffusionDriveV2/GoalFlow 等方法通过动态生成 proposal 解决多模态规划；VLA 路线（DriveVLA-W0、Alpamayo-1、AutoVLA）则将语言推理和世界模型引入驾驶。SparseDriveV2 证明了：只要词表足够密、打分足够强，纯评分范式的性能天花板远高于此前的认知。两条路线并非对立，而是对端到端自动驾驶不同维度的探索。