当前位置：首页 > java >正文

WiseAD：基于视觉-语言模型的知识增强型端到端自动驾驶——论文阅读

java 2025/5/15 23:32:00

《WiseAD: Knowledge Augmented End-to-End Autonomous Driving with Vision-Language Model》2024年12月发表，来自新加坡国立和浙大的论文。

在快速发展的视觉语言模型（VLM）中，一般人类知识和令人印象深刻的逻辑推理能力的出现，促使人们越来越有兴趣将VLM应用于高级自动驾驶任务，如场景理解和决策。然而，对知识水平（尤其是基本驾驶专业知识）与闭环自动驾驶性能之间关系的深入研究需要进一步探索。在这篇论文中，我们研究了基础驾驶知识的深度和广度对闭环轨迹规划的影响，并介绍了WiseAD，这是一种专为端到端自动驾驶量身定制的专用VLM，能够进行驾驶推理、动作论证、对象识别、风险分析、驾驶建议和跨不同场景的轨迹规划。我们对驾驶知识和规划数据集进行联合训练，使模型能够相应地执行知识对齐的轨迹规划。大量实验表明，随着驾驶知识多样性的扩大，严重事故显著减少，在卡拉闭环评估中，驾驶分数和路线完成率分别提高了11.9%和12.4%，达到了最先进的性能。此外，WiseAD在域内和域外数据集的知识评估方面也表现出了显著的性能。

研究背景与动机

自动驾驶技术近年来从传统规则系统转向端到端解决方案，但仍面临场景理解不足和驾驶知识利用不充分的问题。视觉语言模型（VLM）在通用知识和逻辑推理方面表现出色，但直接应用于自动驾驶时存在两大挑战：

驾驶导向知识不足：通用VLM缺乏对驾驶场景、经验和因果推理的深度理解。
知识与轨迹规划未对齐：现有方法多模仿预定义驾驶行为，缺乏对知识（如“减速以规避行人突然出现”）的显式嵌入，导致决策透明度低。

核心贡献

提出 WiseAD，一种专为自动驾驶设计的知识增强VLM，具备以下能力：

多任务支持：场景描述、物体识别、风险分析、驾驶建议、轨迹规划等。
联合训练策略：结合驾驶知识（LingoQA、DRAMA等）与轨迹规划（Carla数据集）进行联合学习，避免知识遗忘。
性能提升：在Carla闭环评估中，驾驶分数（DS）提升11.9%，路线完成率（RC）提升12.4%，关键事故（碰撞、闯红灯）显著减少。

方法细节

模型架构：
- 视觉编码：基于CLIP ViT-L/14提取视频帧特征，投影为与文本对齐的视觉标记。
- 语言模型：采用轻量级MobileLLaMA（1.7B参数），支持多模态输入（视频+文本）。
- 输出对齐：轨迹规划结果以文本形式表达（如“下一个五个路径点为(x1, y1), (x2, y2)…”），便于利用VLM的逻辑推理能力。
数据构建：
- 驾驶知识：整合LingoQA（驾驶推理、物体识别）、DRAMA（风险分析、驾驶建议）、BDDX（动作解释）等数据集，覆盖多样化场景与任务。
- 轨迹规划：使用Carla模拟器采集轨迹数据，目标点以文本形式输入（如“目标点为(x, y)，生成后续五个路径点”）。
训练策略：
- 联合学习：混合知识问答与轨迹规划数据，避免分阶段训练导致的知识遗忘。
- 注意力前缀提示：在推理阶段加入提示（如“注意周围环境，遵守交规”），显式引导模型调用驾驶知识。

实验结果

闭环驾驶性能（Carla评估）：
- SOTA对比：WiseAD在驾驶分数（69.88 vs 65.26）和路线完成率（93.79% vs 88.24%）上超越Roach、VAD等模型。
- 关键事故减少：碰撞次数从2.35降至1.43，闯红灯次数从2.60降至2.14。
知识评估（零样本测试）：
- LingoQA：L-Judge评分60.4（对比LLaVA-7B的38.0），显示对驾驶知识的深度掌握。
- 跨数据集泛化：在BDDX（动作识别）、DriveLM（物体识别）、HAD（驾驶注意力）任务中均表现优异。
消融实验：
- 注意力前缀提示：移除后路线完成率下降8.4%（93.79→85.35），验证其关键作用。
- 知识广度影响：引入DRAMA风险分析数据后，驾驶分数提升3.08（66.02→69.88）。