DriveZero：让自动驾驶学习超越人类示范

导语

多数端到端自动驾驶系统仍主要依赖人类驾驶日志进行模仿学习。这种方法相对直接，但模型能学到的行为通常受限于日志质量：人类没有遇到过的场景、没有采取过的路线选择，以及数据中覆盖不足的驾驶意图，都很难被系统主动学会。小米自动驾驶团队提出的 DriveZero，试图从训练机制上突破这一限制，让自动驾驶模型不再只复现人类示范。

核心思路：把“看”与“做”分开训练

DriveZero 将驾驶拆成感知模型和动作模型两个部分。研究团队认为，感知需要大量、多样的视觉数据来建立对环境的理解，而动作学习则必须在闭环交互中接受反馈。两者如果直接用同一种数据和训练方式处理，往往难以同时达到理想效果。

• DriveRL：面向行动的闭环强化学习。 DriveRL 将真实的 nuPlan 驾驶日志转换为可交互的混合智能体世界。一个场景中可以同时存在日志回放、规则控制和学习策略等不同类型的背景车辆，从而避免单纯回放轨迹带来的环境僵化。研究者在此基础上使用 PPO 训练一个拥有特权信息的教师策略，并让策略通过闭环滚动不断根据环境反馈调整行为。
• DriveVFM：面向感知的视觉骨干。 DriveVFM 将 DINOv3、SigLIP2、SAM 和 Depth Anything V2 等冻结视觉基础模型的能力整合到单一骨干网络中。它只从原始图像学习，不需要额外的任务级标注，目标是获得更通用的场景、目标、语义和深度表征。
• DriveZero：通过蒸馏完成统一。 最终的摄像头端到端规划器使用 DriveVFM 编码多视角图像，并预测轨迹候选。训练监督不再主要来自人类动作，而是来自 DriveRL 教师在交互环境中的滚动轨迹。由于教师具有目标条件，研究者还可以输入增强后的驾驶意图，生成人类日志未覆盖、但与目标一致的行为示范。

实验表现与边界

在 nuPlan 的评测中，DriveRL 配合价值引导的测试时动作搜索，在 Val14、Test14-hard 和 Test14-random 等社区划分的非反应式与反应式设置中，平均得分达到 93.57，并超过日志回放专家。DriveZero 仅使用 DriveRL 生成的轨迹进行训练，在 NAVSIMv1、NAVSIMv2 以及闭环 HUGSIM 基准上取得论文所称的领先表现。

这些结果说明，闭环强化学习可能成为人类驾驶数据的重要补充，而不只是传统模仿学习的附属模块。不过，特权教师与真实车辆之间仍存在信息差，混合智能体环境能否充分代表现实交通也需要更多验证；基准测试中的优势，也不等同于已经解决长尾安全问题。

意义与影响

DriveZero 的价值不只是引入一个新的自动驾驶模型，而是提出了一种更清晰的训练分工：用大规模视觉预训练提升“理解世界”的能力，用闭环强化学习提升“与世界互动”的能力，再通过蒸馏将两者压缩到可部署的端到端规划器中。如果这条路线能够在更广泛的真实道路条件下保持稳定，它可能降低系统对高质量人工示范的依赖，并为主动生成驾驶数据、探索新驾驶意图提供可扩展框架。

来源：Hugging Face Daily Papers