当前位置：首页 > news >正文

AlphaDrive：通过强化学习和推理释放自动驾驶中 VLM 的力量

news 2025/6/7 6:33:16

AlphaDrive: Unleashing the Power of VLMs in Autonomous Driving via Reinforcement Learning and Reasoning

25年3月来自华中科技大学和地平线的论文

OpenAI 的 o1 和 DeepSeek R1 在数学和科学等复杂领域达到甚至超越了人类专家水平，其中强化学习（RL）和推理发挥了关键作用。在自动驾驶领域，最近的端到端模型极大地提升了规划性能，但由于常识和推理能力有限，在处理长尾问题时仍然面临困难。一些研究将视觉语言模型（VLMs）集成到自动驾驶中，但它们通常依赖于在驾驶数据上进行简单监督微调（SFT）的预训练模型，并未针对规划任务进一步探索专门的训练策略或优化方法。本文中，我们提出了 AlphaDrive，一个用于自动驾驶中视觉语言模型（VLMs）的强化学习与推理框架。AlphaDrive 引入了四种专门为规划任务定制的基于 GRPO 的强化学习奖励，并采用了一种结合监督微调（SFT）与强化学习（RL）的两阶段规划推理训练策略。其结果是，与仅使用监督微调（SFT）或不使用推理的方法相比，AlphaDrive 显著提升了规划性能和训练效率。此外，我们兴奋地发现，经过强化学习训练后，AlphaDrive 展现出一些涌现的多模态规划能力，这对于提升驾驶安全性和效率至关重要。据我们所知，AlphaDrive 是首个将基于 GRPO 的强化学习（RL）与规划推理集成到自动驾驶中的方法。我们将公开代码以促进未来的研究。

框架示意图：

1. 核心问题与动机

问题背景：
当前端到端自动驾驶模型虽在规划性能上有显著提升，但在长尾场景（如特殊交通标志、非常规障碍物）中表现不佳，主要受限于常识缺失和推理能力不足。
现有方案的局限：
- 直接使用视觉语言模型（VLMs）进行轨迹预测，因 VLMs 的文本生成特性难以输出精确数值控制信号，存在安全风险。
- 现有 VLM 驱动方法多依赖监督微调（SFT），未深入探索强化学习（RL）和推理技术对规划的优化潜力。

2. 创新方案：AlphaDrive框架

核心贡献

首个结合GRPO强化学习与规划推理的自动驾驶框架
- 提出 GRPO（Group Relative Policy Optimization） 作为 RL 算法，优于 PPO/DPO，更适合多解规划场景。
四大规划导向的GRPO奖励函数
- 规划准确性奖励：分速度/方向评估 F1-score。
- 动作加权奖励：按安全重要性加权（如刹车 > 匀速）。
- 规划多样性奖励：鼓励生成多可行解，避免模式坍塌。
- 格式规范化奖励：确保输出结构化（<think>推理过程 + <answer>决策）。
两阶段训练策略
- Stage 1（SFT 知识蒸馏）：
  用 GPT-4o 生成高质量规划推理数据（伪标签），蒸馏至小模型，解决真实推理数据稀缺问题。
- Stage 2（RL 探索优化）：
  基于 GRPO 和四大奖励进一步优化，提升决策鲁棒性。
涌现的多模态规划能力
- RL 训练后模型能生成多种合理驾驶方案（如直行时可选择匀速或加速），增强复杂场景适应性。

3. 关键技术细节

GRPO 的优势

组优化策略：一次生成多组输出（如 4 个规划方案），通过组内奖励归一化计算优势值，适配规划问题多解特性。
训练稳定性：相比 DPO/PPO，GRPO 在早期训练波动更小（参考 DeepSeek R1 的成功经验）。

奖励设计原理

奖励类型	解决痛点	设计方法
准确性奖励	动作格式噪声导致早期训练不稳定	分速度/方向计算 F1-score（非严格匹配）
动作加权奖励	关键动作（刹车）安全权重不足	按动作安全重要性动态加权（e.g., 刹车权重 > 加速）
多样性奖励	输出收敛至单一解	组内输出差异越大奖励越高（惩罚相似决策）
格式奖励	非结构化输出难解析	强制要求 `<think>`推理 + `<answer>`决策格式