如何訓(xùn)練并評(píng)價(jià)VLM/VLA模型，13大開(kāi)源數(shù)據(jù)集一覽

典型VLM包含四個(gè)組件：視覺(jué)編碼器vision encoder、駕駛視覺(jué)適配器driving adapter、文本編碼器text encoder和大型語(yǔ)言模型（LLM），VLA與VLM相比則多了一個(gè)軌跡規(guī)劃器，一般是基于擴(kuò)散模式。有時(shí)adapter也稱(chēng)為Input Projector：將不同模態(tài)的輸入數(shù)據(jù)映射到共享的語(yǔ)義空間。無(wú)論是VLM還是VLA，LLM都是核心。

小米汽車(chē)最新端到端模型ReCogDrive訓(xùn)練管線(xiàn)

圖片來(lái)源：論文《ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving》

小米汽車(chē)與華中科技大學(xué)首先使用310萬(wàn)高質(zhì)量駕駛數(shù)據(jù)集來(lái)讓大模型適應(yīng)駕駛場(chǎng)景。具體而言，從12個(gè)開(kāi)源駕駛數(shù)據(jù)集收集數(shù)據(jù)，進(jìn)行歸一化處理，統(tǒng)一格式，重新標(biāo)注回答，打分過(guò)濾低質(zhì)量數(shù)據(jù)，最終得到230萬(wàn)條高質(zhì)量駕駛QA問(wèn)答對(duì)，還構(gòu)建了一個(gè)自動(dòng)標(biāo)注流水線(xiàn)，結(jié)合 80億參數(shù)的Qwen2.5-VL 和數(shù)據(jù)集標(biāo)簽，生成高質(zhì)量的問(wèn)答數(shù)據(jù)，涵蓋場(chǎng)景描述、關(guān)鍵物體描述、規(guī)劃解釋等任務(wù)，此外，還融合665K的 LLaVA 指令調(diào)優(yōu)數(shù)據(jù)，以保持視覺(jué)語(yǔ)言模型的指令遵循能力。

雖然VLM視覺(jué)語(yǔ)言大模型能夠以自回歸形式生成軌跡，但由于動(dòng)作空間與語(yǔ)言空間的巨大差異，這種方法存在根本限制。一方面，多模態(tài)大模型本身不擅長(zhǎng)精確數(shù)值預(yù)測(cè)，另一方面，視覺(jué)語(yǔ)言大模型偶爾會(huì)出現(xiàn)幻覺(jué)現(xiàn)象，降低其在駕駛場(chǎng)景中的可靠性。受具身智能領(lǐng)域 π0、GR00T-N1 相關(guān)研究啟發(fā)，小米汽車(chē)和華中科技大學(xué)采用基于擴(kuò)散模型的軌跡規(guī)劃器作為動(dòng)作解碼器，從高維特征空間解碼出平滑軌跡，使用擴(kuò)散模型做軌跡規(guī)劃器已是端到端自動(dòng)駕駛的最主流技術(shù)。依靠12個(gè)開(kāi)源QA數(shù)據(jù)集，導(dǎo)出并混合了85109個(gè)軌跡用于擴(kuò)散模型的訓(xùn)練。

AgentThink整體框架

圖片來(lái)源：論文《AgentThink: A Unified Framework for Tool-Augmented Chain-of-Thought Reasoning in Vision-Language Models for Autonomous Driving》

VLM要用到自動(dòng)駕駛領(lǐng)域，通常要經(jīng)歷兩個(gè)階段，一個(gè)是監(jiān)督微調(diào)即SFT，另一個(gè)是強(qiáng)化學(xué)習(xí)增強(qiáng)。LLM就好比剛升入大學(xué)的學(xué)生，SFT就是針對(duì)所選專(zhuān)業(yè)的學(xué)習(xí)，強(qiáng)化學(xué)習(xí)增強(qiáng)則類(lèi)似所選工作任務(wù)的在崗培訓(xùn)。

SFT通常就是自動(dòng)駕駛領(lǐng)域內(nèi)的VQA問(wèn)答集，如何設(shè)計(jì)VQA問(wèn)答集是VLM的關(guān)鍵。也有不少免費(fèi)公開(kāi)的自動(dòng)駕駛VQA問(wèn)答集，常見(jiàn)的有十幾個(gè)。通常這些數(shù)據(jù)集都分成兩部分，一部分用于訓(xùn)練，另一部分用于基準(zhǔn)測(cè)試即benchmark，還有一些數(shù)據(jù)集專(zhuān)注于基準(zhǔn)測(cè)試，其數(shù)據(jù)集規(guī)模比較小，一般都提供基線(xiàn)模型baseline model。這些訓(xùn)練是彌合VLM輸出的離散文本空間與自動(dòng)駕駛所需的連續(xù)軌跡空間之間存在巨大鴻溝，也防止VLM的自回歸解碼過(guò)程可能產(chǎn)生不符合預(yù)定格式的軌跡或錯(cuò)誤的軌跡。

早期的端到端自動(dòng)駕駛都是使用模仿學(xué)習(xí)，導(dǎo)致模型往往最終學(xué)到次優(yōu)的軌跡，模型只進(jìn)行了記憶不會(huì)泛化，因此引入強(qiáng)化學(xué)習(xí)，強(qiáng)化學(xué)習(xí)都需要在交通仿真器中進(jìn)行，目前主要有nuPlan，CARLA，還有谷歌的Waymax，蘋(píng)果自己開(kāi)發(fā)的Gigaflow，英偉達(dá)的NAVSIM，小米汽車(chē)和華中科技大學(xué)用了英偉達(dá)的NAVSIM，每個(gè)仿真器都有自己的評(píng)分體系，各不相同。

常見(jiàn)VLM用VQA開(kāi)源數(shù)據(jù)集一覽

來(lái)源：佐思汽研整理

以華中科技大學(xué)和地平線(xiàn)的Senna為例，設(shè)計(jì)了六類(lèi)QA問(wèn)答，這才是VLM的核心：

Scene Description：提示詞中指定了需要的信息，包括交通狀況、環(huán)境(如城市、農(nóng)村等)、道路類(lèi)型(如鋪設(shè)道路、高速公路)、天氣條件、時(shí)間和道路條件(如道路是否光滑或是否有任何障礙物)；

Traffic Signal Detection：識(shí)別前方紅綠燈的狀態(tài)；

Vulnerable Road User （VRUs）Identification：識(shí)別VRUs即行人或騎車(chē)人等相對(duì)汽車(chē)的弱勢(shì)道路使用者的大概位置，不用太準(zhǔn)確，主要是讓VLM理解到VRUs對(duì)規(guī)劃的重要性；

Motion Intention Prediction：預(yù)測(cè)移動(dòng)目標(biāo)未來(lái)的運(yùn)動(dòng)行為，輸出也是meta-action里的那幾類(lèi)；

Meta-action Planning：輸出meta-actions；

Planning Explanation：這里是輸入給VLM自車(chē)未來(lái)的軌跡，讓VLM解釋這么做的原因。

"acc." refers to accelerate and "dec." refers to decelerate

表來(lái)源：論文《Senna: Bridging Large Vision-Language Models and End-to-End Autonomous Driving》

上表顯示出6種類(lèi)型齊備的QA問(wèn)答，讓模型性能達(dá)到最高，其中也不難看出Meta Action、交通燈信號(hào)、場(chǎng)景描述對(duì)模型正確率影響較大。

表來(lái)源：論文《Senna: Bridging Large Vision-Language Models and End-to-End Autonomous Driving》

左表顯示出只輸入前視圖和加上環(huán)視圖的性能對(duì)比，右表顯示出訓(xùn)練數(shù)據(jù)規(guī)模對(duì)模型性能的影響。

每個(gè)訓(xùn)練數(shù)據(jù)集會(huì)抽出一小部分做測(cè)試評(píng)估，也有一些專(zhuān)門(mén)用來(lái)做基準(zhǔn)測(cè)試的小型數(shù)據(jù)集即benchmark，常見(jiàn)的如下表。

來(lái)源：佐思汽研整理

對(duì)于視覺(jué)文本問(wèn)答即VQA，主流的評(píng)估體系是基于機(jī)器翻譯的，通常包括BLEU，ROUGE，CIDEr。BLEU (BiLingual Evaluation Understudy) 是一種評(píng)估機(jī)器翻譯文本的指標(biāo)，但也可用于評(píng)估生成文本的質(zhì)量，通過(guò)比較機(jī)器生成的文本和人類(lèi)生成的參考文本的重疊程度。BLEU 得分是一個(gè) 0 到 1 之間的數(shù)字，用于衡量機(jī)器翻譯文本與一組高質(zhì)量參考翻譯的相似度。0 表示機(jī)器翻譯的輸出與參考翻譯沒(méi)有重疊（低質(zhì)量），而 1 表示其與參考翻譯完全重疊（高質(zhì)量）。

BLEU評(píng)分是由Kishore Papineni等人2002年的論文《BLEU: a Method for Automatic Evaluation of Machine Translation》中提出的。默認(rèn)情況下，sentence_bleu（）和corpus_bleu（）分?jǐn)?shù)計(jì)算累加的4元組BLEU分?jǐn)?shù)，也稱(chēng)為BLEU-4分?jǐn)?shù)，一般簡(jiǎn)寫(xiě)為B4。

ROUGE (Recall-Oriented Understudy for Gisting Evaluation)，可以看做是BLEU 的改進(jìn)版，專(zhuān)注于召回率而非精度。換句話(huà)說(shuō)，它會(huì)查看有多少個(gè)參考譯句中的 n 元詞組出現(xiàn)在了輸出之中。

CIDEr (Consensus-based Image Description Evaluation)專(zhuān)門(mén)為圖像描述任務(wù)設(shè)計(jì)，CIDEr更接近人類(lèi)去判斷兩個(gè)句子是否相近的原理，因?yàn)樗昧薚F-IDF來(lái)對(duì)不同n-gram去賦予不同的權(quán)重，直觀來(lái)說(shuō)，即經(jīng)常出現(xiàn)的詞組的權(quán)重具有更低的權(quán)重，而不常出現(xiàn)的詞組則更特殊（具有更大的權(quán)重），人們會(huì)更注意這些特殊的單詞。

除了VQA外，不同的benchmark會(huì)有不同的側(cè)重點(diǎn)和評(píng)分體系，比如武漢大學(xué)與中科慧拓提出的DriveMLLM benchmark，側(cè)重于VLM模型的空間理解能力。

論文《AgentThink: A Unified Framework for Tool-Augmented Chain-of-Thought Reasoning in Vision-Language Models for Autonomous Driving》

小米汽車(chē)AgentThink使用DriveMLLM測(cè)試，L/R代表左右邊界，F(xiàn)/B代表前后邊界，Relative Horizontal Distance關(guān)聯(lián)水平距離 (RHD), Relative Distance關(guān)聯(lián)距離 (RD), Camera Vertical Distance攝像頭垂直距離 (CVD), Camera Distance 攝像頭距離(CD) Position Localization Accuracy 定位精度(Task PPos)，Bounding Box Accuracy 邊界框精度(Task BBox)，The Aggregate Accuracy Score累積精度 (AccS)。

復(fù)旦和華為諾亞方舟實(shí)驗(yàn)室的Reason2Drive，側(cè)重于VLM的推理能力測(cè)試，擁有超過(guò)60萬(wàn)個(gè)視頻-文本對(duì)的基準(zhǔn)數(shù)據(jù)集，旨在促進(jìn)復(fù)雜駕駛環(huán)境中可解釋推理的研究。將自動(dòng)駕駛過(guò)程明確地描述為感知、預(yù)測(cè)和推理步驟的順序組合，問(wèn)答對(duì)是從各種開(kāi)源戶(hù)外駕駛數(shù)據(jù)集中自動(dòng)收集的，包括nuScenes、Waymo和ONCE，標(biāo)注長(zhǎng)度達(dá)633K，在VLM Benchmark里排名第一。

2025年6月11日發(fā)布的AD2-BENCH，是中科院和騰訊CDG聯(lián)合推出的側(cè)重于多模態(tài)大模型的推理能力測(cè)試，與其他高?；蚱髽I(yè)的benchmark采用自動(dòng)生成標(biāo)注的方法不同，財(cái)大氣粗的騰訊采用全人工專(zhuān)家標(biāo)注，準(zhǔn)確度是明顯比自動(dòng)生成要高。

AD2-BENCH搜集了10K道路實(shí)拍數(shù)據(jù)，70K的VQA問(wèn)答，5406個(gè)實(shí)例包括全思維鏈，所有VQA和思維鏈都采用專(zhuān)家人工標(biāo)注，集成了 region，文本 text，point-level（疑似是點(diǎn)云級(jí)） visual prompts 和可確定的轉(zhuǎn)向模式explicitly steers model。

AD2-BENCH對(duì)主流多模態(tài)大模型的推理能力打分

數(shù)據(jù)來(lái)源：論文《AD2-Bench: A Hierarchical CoT Benchmark for MLLM in Autonomous Driving under Adverse Conditions》

值得一提的還有理想汽車(chē)的DriveAction，2025年6月9日剛剛發(fā)布，論文為DriveAction: A Benchmark for Exploring Human-like Driving Decisions in VLA Models，作者全部都是理想汽車(chē)的研發(fā)人員，沒(méi)有高校參與。

DriveAction數(shù)據(jù)集源自量產(chǎn)車(chē)輛內(nèi)部測(cè)試用戶(hù)主動(dòng)收集的真實(shí)世界數(shù)據(jù)，與以往依賴(lài)自收集或開(kāi)源數(shù)據(jù)的基準(zhǔn)不同，它覆蓋了中國(guó)148個(gè)城市以及所有量產(chǎn)車(chē)型的記錄。通過(guò)多輪人工篩選和質(zhì)量控制，確保了駕駛場(chǎng)景和動(dòng)作的全面性和代表性。

該數(shù)據(jù)集涵蓋了7大關(guān)鍵場(chǎng)景類(lèi)別，包括匝道/側(cè)路合并/分離、導(dǎo)航/效率驅(qū)動(dòng)的變道、繞行弱勢(shì)道路使用者、復(fù)雜路口等。每個(gè)場(chǎng)景都關(guān)聯(lián)了多種細(xì)粒度動(dòng)作，如變道、減速、繞行等，能夠詳細(xì)分析不同駕駛情況下的決策過(guò)程。DriveAction的動(dòng)作標(biāo)簽直接來(lái)源于用戶(hù)的實(shí)時(shí)駕駛操作，能夠準(zhǔn)確捕捉駕駛員決策時(shí)的真實(shí)意圖。為了與端到端大型模型的輸出粒度匹配，這些標(biāo)簽被離散化為高級(jí)動(dòng)作，更好地反映了人類(lèi)駕駛決策的分類(lèi)性質(zhì)。所有標(biāo)簽都經(jīng)過(guò)多輪人工驗(yàn)證，排除了錯(cuò)誤、不合理或非法的行為，如意外的控制輸入、與交通環(huán)境不符的突然停車(chē)、違反交通規(guī)則的動(dòng)作等，確保了標(biāo)注的可靠性和有效性。

DriveAction Benchmark示例

圖片來(lái)源：論文《DriveAction: A Benchmark for Exploring Human-like Driving Decisions in VLA Models》

DriveAction引入了以動(dòng)作為根的樹(shù)狀結(jié)構(gòu)評(píng)估框架，該框架基于動(dòng)作決策動(dòng)態(tài)映射所需的視覺(jué)和語(yǔ)言任務(wù)，通過(guò)整合豐富的context場(chǎng)景信息，確保模型決策在完整、現(xiàn)實(shí)的環(huán)境中進(jìn)行。

任務(wù)定義：該框架將評(píng)估邏輯設(shè)計(jì)為以動(dòng)作為根的樹(shù)狀結(jié)構(gòu)，上層是動(dòng)作節(jié)點(diǎn)（如變道、路口轉(zhuǎn)彎等），中間層是語(yǔ)言任務(wù)（如導(dǎo)航跟隨、交通燈跟隨等），底層是視覺(jué)任務(wù)（如車(chē)道、交通標(biāo)志、障礙物檢測(cè)等）。這種結(jié)構(gòu)系統(tǒng)地將V-L-A任務(wù)整合到一個(gè)可擴(kuò)展的框架中，支持針對(duì)每個(gè)動(dòng)作的動(dòng)態(tài)子任務(wù)組合，即使在復(fù)雜或長(zhǎng)尾場(chǎng)景中也能進(jìn)行全面的決策評(píng)估。

場(chǎng)景信息設(shè)計(jì)：為模型評(píng)估提供了三種關(guān)鍵場(chǎng)景信息，包括連續(xù)的視覺(jué)幀（支持動(dòng)態(tài)上下文中的時(shí)間推理）、導(dǎo)航指令（提供路線(xiàn)指導(dǎo)、即將到來(lái)的轉(zhuǎn)彎和目標(biāo)車(chē)道信息）、車(chē)輛速度（量化當(dāng)前和期望的駕駛狀態(tài)）。這些信息對(duì)于可靠和上下文感知的自動(dòng)駕駛評(píng)估至關(guān)重要，能夠有效減少模型的幻覺(jué)決策。

靈活的評(píng)估模式：支持綜合評(píng)估和特定任務(wù)評(píng)估兩種模式。綜合評(píng)估關(guān)注模型的最終決策輸出，通過(guò)四種評(píng)估模式（全流程模式V-L-A、僅視覺(jué)模式V-A、僅語(yǔ)言模式L-A、無(wú)信息模式A）分析視覺(jué)和語(yǔ)言信息對(duì)整體動(dòng)作決策的影響；特定任務(wù)評(píng)估則對(duì)層次樹(shù)結(jié)構(gòu)中的每個(gè)節(jié)點(diǎn)進(jìn)行細(xì)粒度評(píng)估，幫助識(shí)別模型在感知、推理和決策技能方面的優(yōu)勢(shì)和劣勢(shì)。

幾種多模態(tài)大模型的評(píng)分

數(shù)據(jù)來(lái)源：論文《DriveAction: A Benchmark for Exploring Human-like Driving Decisions in VLA Models》

目前端到端自動(dòng)駕駛的評(píng)估體系還未完全建立，高校和企業(yè)都在自建評(píng)估體系，并且這些評(píng)估體系都是仿真的，都達(dá)不到嚴(yán)格意義上的閉環(huán)評(píng)估，這或許是端到端自動(dòng)駕駛給智能駕駛管理系統(tǒng)出的難題，不過(guò)這并不阻礙端到端自動(dòng)駕駛的量產(chǎn)上車(chē)。

免責(zé)說(shuō)明：本文觀點(diǎn)和數(shù)據(jù)僅供參考，和實(shí)際情況可能存在偏差。本文不構(gòu)成投資建議，文中所有觀點(diǎn)、數(shù)據(jù)僅代表筆者立場(chǎng)，不具有任何指導(dǎo)、投資和決策意見(jiàn)。

更多佐思報(bào)告

佐思2025年研究報(bào)告撰寫(xiě)計(jì)劃

智能網(wǎng)聯(lián)汽車(chē)產(chǎn)業(yè)鏈全景圖（2024年12月版）