隨著 VLA（Vision-Language-Action）模型的興起，端到端自動(dòng)駕駛正經(jīng)歷從「模塊化」向「大一統(tǒng)」的范式轉(zhuǎn)移。然而，將感知、推理與規(guī)劃壓縮進(jìn)單一模型后，主流的自回歸（Auto-regressive）生成范式逐漸顯露出局限性?，F(xiàn)有的自回歸模型強(qiáng)制遵循「從左到右」的時(shí)序生成邏輯，這與人類駕駛員的思維直覺存在本質(zhì)差異 —— 經(jīng)驗(yàn)豐富的駕駛員在處理復(fù)雜路況時(shí)，往往采用「以終為始」的策略，即先確立長(zhǎng)期的駕駛意圖（如切入匝道、避讓行人、靠邊?？浚俜赐飘?dāng)前的短期操控動(dòng)作。此外，基于模仿學(xué)習(xí)的模型容易陷入「平均司機(jī)」陷阱，傾向于擬合數(shù)據(jù)分布的均值，導(dǎo)致策略平庸化，難以在激進(jìn)博弈與保守避讓之間靈活切換。

針對(duì)上述痛點(diǎn)，復(fù)旦大學(xué)與引望智能聯(lián)合提出了 WAM-Diff 框架。該研究創(chuàng)新性地將離散掩碼擴(kuò)散模型（Discrete Masked Diffusion）引入 VLA 自動(dòng)駕駛規(guī)劃，并結(jié)合稀疏混合專家（MoE）架構(gòu)與在線強(qiáng)化學(xué)習(xí)（GSPO），構(gòu)建了一套不再受限于單向時(shí)序的生成式規(guī)劃系統(tǒng)。

在權(quán)威評(píng)測(cè)基準(zhǔn) NAVSIM 中，WAM-Diff 展現(xiàn)了卓越的性能，在 NAVSIM-v1 和 v2 榜單上分別取得了91.0 PDMS和89.7 EPDMS的 SOTA 成績(jī)，有力證明了非自回歸生成范式在復(fù)雜自動(dòng)駕駛場(chǎng)景下的巨大潛力。

• 論文標(biāo)題： WAM-Diff: A Masked Diffusion VLA Framework with MoE and Online Reinforcement Learning for Autonomous Driving
• 論文鏈接： https://arxiv.org/abs/2512.11872
• 開源項(xiàng)目： https://github.com/fudan-generative-vision/WAM-Diff

核心創(chuàng)新：重新思考生成邏輯

從數(shù)值回歸到離散序列生成

為了在統(tǒng)一的特征空間內(nèi)實(shí)現(xiàn)對(duì)世界的理解與動(dòng)作規(guī)劃，WAM-Diff 首先引入了混合離散動(dòng)作分詞（Hybrid Discrete Action Tokenization）技術(shù)。研究團(tuán)隊(duì)將連續(xù)的 2D 軌跡坐標(biāo)量化為高精度的離散 Token（誤差控制在 0.005 以內(nèi)），并將其與代表駕駛指令（如「左轉(zhuǎn)」、「避讓」、「停靠」）的語義 Token 置于共享詞表中。

在此基礎(chǔ)上，WAM-Diff 采用 Masked Diffusion 作為生成骨干。與逐個(gè)預(yù)測(cè)下一個(gè) Token 的自回歸模型不同，Masked Diffusion 從一個(gè)全掩碼序列出發(fā)，利用雙向上下文信息，在每一步迭代中并行預(yù)測(cè)所有位置的 Token。這種機(jī)制不僅大幅提升了推理效率，更重要的是賦予了模型全局優(yōu)化的能力，使其能夠同時(shí)利用過去和未來的信息來推斷當(dāng)前的最優(yōu)動(dòng)作。

Figure 1 : WAM-Diff 的模型總體架構(gòu)圖。

解碼策略驗(yàn)證「反因果」規(guī)劃的有效性

擺脫了「從左到右」的時(shí)序束縛后，模型該如何安排軌跡生成的優(yōu)先級(jí)？WAM-Diff 深入探索了因果序（Causal）、反因果序（Reverse-Causal）和隨機(jī)序（Random）三種解碼調(diào)度策略。實(shí)驗(yàn)結(jié)果揭示了一個(gè)反直覺但極具價(jià)值的現(xiàn)象：反因果序策略在閉環(huán)指標(biāo)上表現(xiàn)最佳。這意味著，先確定遠(yuǎn)處的終點(diǎn)狀態(tài)，再倒推近處的軌跡細(xì)節(jié)，這種「以終為始」的生成邏輯能顯著提升規(guī)劃的一致性與安全性。這一發(fā)現(xiàn)從模型層面驗(yàn)證了人類駕駛員在復(fù)雜博弈場(chǎng)景下的直覺思維。

Figure 2 : Masked Diffusion 的不同解碼調(diào)度策略。

MoE 混合專家與 GSPO 在線強(qiáng)化學(xué)習(xí)

面對(duì)多變的駕駛場(chǎng)景，單一模型往往難以兼顧各種極端情況。WAM-Diff 通過在主干網(wǎng)絡(luò)中集成 LoRA-MoE（Low-Rank Adaptation Mixture-of-Experts）架構(gòu)來解決這一難題。模型包含 64 個(gè)輕量級(jí)專家，通過門控網(wǎng)絡(luò)實(shí)現(xiàn)動(dòng)態(tài)路由與稀疏激活。在推理過程中，模型能夠根據(jù)當(dāng)前場(chǎng)景自動(dòng)激活最匹配的駕駛專家，在控制計(jì)算開銷的同時(shí)顯著提升了模型的容量與適應(yīng)性。此外，團(tuán)隊(duì)采用了多任務(wù)聯(lián)合訓(xùn)練策略，使模型在學(xué)習(xí)軌跡預(yù)測(cè)的同時(shí)，通過駕駛 VQA 任務(wù)理解場(chǎng)景語義。這使得專家網(wǎng)絡(luò)不僅掌握了駕駛技能，更理解了駕駛決策背后的因果邏輯，顯著增強(qiáng)了規(guī)劃的可解釋性與泛化能力。

Figure 3 : MoE 組件的定性分析。不同場(chǎng)景下規(guī)劃軌跡的 BEV 可視化與專家激活熱力圖。

與此同時(shí)，單純的模仿學(xué)習(xí)容易導(dǎo)致模型在長(zhǎng)尾場(chǎng)景下缺乏魯棒性，且難以顯式優(yōu)化安全指標(biāo)。為此，WAM-Diff 引入了分組序列策略優(yōu)化（GSPO, Group Sequence Policy Optimization）算法，旨在彌合開環(huán)訓(xùn)練與閉環(huán)執(zhí)行之間的鴻溝。GSPO 的核心思想是將優(yōu)化粒度從「單步 Token」提升至「完整軌跡序列」。系統(tǒng)在仿真環(huán)境中采樣一組候選軌跡，并依據(jù)安全性（碰撞檢測(cè)）、合規(guī)性（車道保持）及舒適性（加減速平滑度）等多維指標(biāo)對(duì)整條軌跡進(jìn)行評(píng)分。通過計(jì)算組內(nèi)相對(duì)優(yōu)勢(shì)，模型被顯式引導(dǎo)向「高安全、高舒適」的區(qū)域更新。這種序列級(jí)的價(jià)值對(duì)齊機(jī)制，從根本上確保了規(guī)劃結(jié)果不僅「像人」，而且比人類駕駛數(shù)據(jù)更安全、更規(guī)范。

實(shí)驗(yàn)結(jié)果

為了驗(yàn)證 WAM-Diff 的有效性，我們?cè)跈?quán)威的 NAVSIM 自動(dòng)駕駛評(píng)測(cè)基準(zhǔn)上進(jìn)行了廣泛實(shí)驗(yàn)。結(jié)果顯示，該方法在 NAVSIM-v1 和 v2 榜單上均取得了具有競(jìng)爭(zhēng)力的表現(xiàn)。具體而言，在 NAVSIM-v1 中，WAM-Diff 達(dá)到了 91.0 的 PDMS 分?jǐn)?shù)，超越了 DiffusionDrive、ReCogDrive 以及 DriveVLA-W0 等主流基線模型。

Table 1 : 在 NAVSIM-v1 上與最先進(jìn)方法（SOTA）的對(duì)比。

進(jìn)一步地，在引入了交通規(guī)則遵循度與舒適性等更嚴(yán)格指標(biāo)的 NAVSIM-v2 測(cè)試中，模型依然保持了穩(wěn)健性，取得了 89.7 的 EPDMS 成績(jī)，相較于 DiffusionDrive 提升了 5.2 分。這表明 WAM-Diff 能夠有效平衡駕駛的安全性與合規(guī)性，在面對(duì)貼近真實(shí)駕駛的復(fù)雜評(píng)測(cè)體系時(shí)仍能生成高質(zhì)量的規(guī)劃軌跡。

Table 2 : 在 NAVSIM-v2 上與最先進(jìn)方法（SOTA）的對(duì)比。

此外，我們對(duì)掩碼擴(kuò)散的解碼策略進(jìn)行了深入的消融研究。實(shí)驗(yàn)對(duì)比了隨機(jī)序、因果序與反因果序三種模式，結(jié)果發(fā)現(xiàn)反因果序策略取得了最佳的閉環(huán)性能（91.0 PDMS）。這一數(shù)據(jù)有力支持了 “以終為始” 的規(guī)劃直覺：優(yōu)先確立遠(yuǎn)期駕駛意圖，再反推近端動(dòng)作細(xì)節(jié)，有助于生成在時(shí)序上更一致、安全的可執(zhí)行軌跡。

Table 3 ：掩碼解碼調(diào)度策略的消融研究。

定性實(shí)驗(yàn)與可視化結(jié)果進(jìn)一步展示了模型在復(fù)雜博弈場(chǎng)景下的穩(wěn)定性，驗(yàn)證了 MoE 架構(gòu)與在線強(qiáng)化學(xué)習(xí)（GSPO）組件在提升長(zhǎng)尾場(chǎng)景魯棒性方面的作用。

Figure 4 : 強(qiáng)化學(xué)習(xí) GSPO 在不同駕駛場(chǎng)景下的定性消融分析。

總結(jié)

WAM-Diff 的出現(xiàn)，標(biāo)志著端到端自動(dòng)駕駛規(guī)劃向離散化、結(jié)構(gòu)化、閉環(huán)化邁出了重要一步。它并未簡(jiǎn)單地堆砌模型參數(shù)，而是通過 Masked Diffusion 重構(gòu)了時(shí)序生成的邏輯，利用 MoE 解決了策略單一性的瓶頸，最后通過 RL 守住了安全的底線。對(duì)于業(yè)界而言，WAM-Diff 證明了在 VLA 時(shí)代，「如何生成」與「生成什么」同樣重要。這種具備反向推理能力且風(fēng)格多變的規(guī)劃器，或許正是通往 L4 級(jí)自動(dòng)駕駛的一塊關(guān)鍵拼圖。