SparseDriveV2：静态打分路线在自动驾驶规划中的突破

1. SparseDriveV2：重新定义静态打分路线的性能上限

当我第一次看到SparseDriveV2在NAVSIM v1上达到92.0 PDMS时，作为一个在自动驾驶规划领域摸爬滚打多年的工程师，我意识到这可能是一个转折点。这个结果不仅超越了DiffusionDriveV2等动态生成方法，更重要的是，它证明了一个我们可能已经忽视太久的事实：静态打分路线的潜力远未被充分挖掘。

SparseDriveV2的核心创新可以用一句话概括：通过因子化词表结构和分层打分机制，在可控计算预算下实现超密动作空间覆盖。这听起来简单，但背后是一套精妙的工程设计和深刻的insight。让我带你们深入这个系统，看看它是如何工作的，以及为什么它能超越SOTA。

2. 问题本质：静态打分路线的真正瓶颈

2.1 传统方法的局限性

在端到端自动驾驶规划中，我们通常面临多模态决策问题：在某个场景下，可能存在多条合理的行驶轨迹。传统静态打分方法（如早期的DriveSuprim）的做法是：

1. 预先生成一个固定的轨迹词表（trajectory vocabulary）
2. 对每个候选轨迹进行打分
3. 选择最高分的轨迹执行

这种方法看似直接，但随着对性能要求的提高，暴露出了两个致命问题：

1. 覆盖不足：词表大小受限（通常8k-16k条），难以覆盖所有可能的驾驶场景
2. 计算爆炸：随着词表增大，显存和计算需求呈线性增长

2.2 SparseDriveV2的关键洞察

论文中的scaling study揭示了一个反直觉的现象：当静态词表继续增大时，性能会持续提升，且没有明显饱和。这意味着：

静态打分方法的瓶颈不在于范式本身，而在于词表密度和计算效率之间的不平衡

SparseDriveV2的突破就在于同时解决了这两个问题：

• 通过因子化表示大幅提升词表密度
• 通过分层打分保持计算效率

3. 核心设计：因子化词表与分层打分

3.1 轨迹的因子化表示

传统方法将轨迹视为不可分割的整体，而SparseDriveV2创新性地将其分解为两个正交维度：

code复制τ = (p, v)

其中：

• p：几何路径（geometric path），描述车辆的空间运动轨迹
• v：速度剖面（velocity profile），描述车辆沿路径的时间演化

这种分解带来了几个关键优势：

1. 组合爆炸：Np条路径 × Nv条速度 = Np×Nv条轨迹
2. 语义解耦：路径关注"往哪走"，速度关注"怎么走"
3. 独立优化：可以分别针对路径和速度设计专用网络

3.1.1 路径词表构建

路径词表P通过以下步骤生成：

1. 从训练数据中提取大量人类驾驶轨迹
2. 按固定空间间隔Δs=1m重采样得到几何路径
3. 使用K-Means聚类得到Np=1024个路径anchor

3.1.2 速度词表构建

速度词表V的构建类似：

1. 从相同轨迹中提取速度序列
2. 按Δt=0.5s间隔采样
3. K-Means聚类得到Nv=256个速度anchor

这样组合后的词表规模达到262,144条，是传统方法的32倍，而计算成本仅线性增长。

3.2 分层打分机制

有了超密词表后，直接对所有组合打分显然不现实。SparseDriveV2设计了精巧的两阶段打分：

3.2.1 粗粒度打分（Coarse Scoring）

独立对路径和速度进行初步筛选：

code复制s^p_i = f_p(E_p(p_i), F, E)  # 路径打分
s^v_j = f_v(E_v(v_j), F, E)  # 速度打分

其中：

• F：场景特征（多视角图像编码）
• E：自车状态特征
• Ep/Ev：专用编码器

这一阶段会保留：

• Top 128路径
• Top 64速度

计算成本仅为全量打分的(128+64)/(1024+256) ≈ 15%

3.2.2 细粒度打分（Fine-grained Scoring）

对筛选后的候选进行组合和精排：

1. 组合生成20×20=400条候选轨迹
2. 使用更复杂的交互网络进行重打分：

   code复制s_{i,j} = f_t(τ_{i,j}, F, E)
   

3. 选择最高分轨迹执行

3.3 网络架构细节

SparseDriveV2的模型结构有几个值得注意的设计：

1. 轻量级场景编码：直接使用ResNet-34从多视角图像提取特征，避免昂贵的BEV构建
2. 专用编码器：路径和速度使用不同的编码网络Ep和Ev
3. 交互式精排：细粒度打分时引入轨迹-场景交互模块
4. 渐进式筛选：两阶段top-k机制平衡覆盖率和计算效率

4. 训练策略：多层次监督信号

SparseDriveV2的训练目标不是简单的端到端回归，而是设计了分层的监督体系：

4.1 路径级监督（L_path）

1. 计算GT路径与各anchor的匹配度（基于Hausdorff距离）
2. 构造soft target分布
3. 使用交叉熵损失训练路径打分器

4.2 速度级监督（L_vel）

1. 计算GT速度剖面与各anchor的L1距离
2. 类似路径方法构造监督信号

4.3 轨迹级监督（L_traj）

1. 组合路径和速度anchor生成候选轨迹
2. 计算与GT轨迹的模仿学习损失
3. 加入指标相关的辅助损失（如舒适性、进度等）

最终损失函数：

code复制L = L_path + L_vel + L_traj + αL_metric

这种分层监督确保了模型在不同粒度上都能学到有效表示。

5. 实验结果与分析

5.1 主要指标对比

在NAVSIM v1基准测试中，SparseDriveV2的表现：

关键发现：

1. 在相同backbone下全面超越动态生成方法
2. EP（Ego Progress）指标提升显著，证明更好的空间覆盖
3. 计算效率比DiffusionDriveV2高约30%

5.2 消融实验洞察

论文中的消融研究揭示了几个重要现象：

1. 词表规模的影响：

   • (Np,Nv)=(512,128) → EPDMS=88.7
   • (1024,256) → EPDMS=90.1
   • 继续增大仍有提升空间

2. 架构选择的影响：

   • 使用Deformable Attention比普通MHA提升0.8分
   • 轨迹重条件机制带来额外0.6分增益

5.3 实际驾驶场景表现

从定性结果看，SparseDriveV2展现出几个优势：

1. 急转弯场景轨迹更平滑
2. 跟车场景速度控制更自然
3. 复杂交互决策更接近人类

失败案例主要集中在导航信息不足的场景，说明语义理解仍是瓶颈。

6. 工程实现要点

6.1 代码结构概览

官方仓库的主要模块：

code复制├── navsim/          # 核心实现
│   ├── models/      # 网络定义
│   ├── planners/    # 规划逻辑
│   └── utils/       # 辅助工具
├── scripts/         # 训练评估入口
└── docs/            # 详细说明

6.2 关键实现技巧

1. 数据预处理：

   • 提前计算并缓存anchor匹配结果
   • 使用内存映射加速大规模数据读取

2. 训练优化：

   • 采用渐进式课程学习，先易后难
   • 使用混合精度训练节省显存

3. 推理加速：

   • 粗粒度打分并行化
   • 细粒度打分批处理

6.3 典型配置参数

7. 与动态生成方法的对比

7.1 核心差异

7.2 适用场景

1. 选择SparseDriveV2当：

   • 需要确定性行为
   • 计算资源有限
   • 可解释性要求高

2. 选择动态生成当：

   • 场景极度复杂多变
   • 对多样性要求极高
   • 可以接受更高计算成本

8. 实践建议与常见问题

8.1 部署注意事项

1. 实时性保障：

   • 粗粒度打分控制在5ms内
   • 细粒度打分不超过20ms
   • 总延迟<50ms（20Hz）

2. 内存优化：

   • 预加载anchor参数
   • 共享场景特征计算

8.2 调优方向

1. 词表定制化：

   • 针对特定场景优化anchor分布
   • 增加特殊场景专用anchor

2. 打分器改进：

   • 引入更多场景上下文
   • 增强时序一致性建模

8.3 常见问题排查

1. 性能不达预期：

   • 检查anchor覆盖是否充分
   • 验证监督信号是否正确对齐

2. 计算延迟高：

   • 优化粗筛比例
   • 检查特征提取瓶颈

9. 未来发展方向

SparseDriveV2开辟了几个有价值的研发方向：

1. 混合架构：结合静态词表的覆盖优势和动态生成的灵活性
2. 层次化词表：不同粒度级别的anchor组合
3. 在线适应：根据驾驶数据动态调整词表分布
4. 多智能体扩展：考虑交互对手的联合预测-规划

这个框架最令人兴奋的地方在于，它证明即使在"传统"方法路线上，通过巧妙的重新设计，仍然可以挖掘出巨大的性能潜力。在自动驾驶这样一个工程约束极强的领域，这种既提升性能又保持效率的工作，往往比纯粹的理论创新产生更大的实际影响。