1. 论文概述

VeteranAD 是复旦大学大数据学院在 AAAI 2026 上发表的一篇端到端自动驾驶框架，创新性地提出了“感知嵌入规划（Perception-in-Plan）范式，打破了传统感知-规划顺序执行的局限。将感知与规划紧密耦合。通过多模态锚定轨迹作为规划先验，引导感知模块收集相关信息；采用自回归策略逐步生成轨迹，确保每一步都进行针对性感知。该方法在NAVSIM和Bench2Drive数据集上均达到了最先进的性能。

图 1：VeteranAD 整体架构图

2. 核心创新点

2.1 Perception-in-Plan 范式

将感知与规划紧密耦合，而非顺序执行。通过将规划目标引导感知，实现感知结果为规划服务。

2.2 Multi-Modal Anchored Trajectories

引入多模态锚定轨迹作为规划先验，引导感知模块沿着这些轨迹收集交通元素信息。

2.3 Autoregressive Trajectory Prediction

采用自回归策略，在每一步预测未来轨迹同时聚焦相关区域进行针对性感知。

3. 代码架构解析

3.1 核心模块组成

·PadModel (pad_model.py：核心模型，整合所有组件

·Traj_refiner (traj_refiner.py)：轨迹精细化模块

·Decoder (decoder.py)：感知解码器

·Scorer (score_module/scorer.py)：评分模块

·ResNet34 Encoder：图像特征编码器

3.2 仓库目录结构

VeteranAD/          ├── navsim/# 主要代码          │├── agents/          ││└── pad/# 核心实现          │├── planning/# 规划模块          │└── visualization/# 可视化          ├── Bench2Drive/# Bench2Drive 支持          ├── Bench2DriveZoo/# 模型库          └── assets/# 资源文件          

4. 主要逻辑分析

4.1 前向传播流程

1. 图像特征提取：使用 ResNet34/ImgEncoder 提取相机图像特征

2. BEV 特征生成：通过 Lift-Splat-Shoot 方法将图像特征投影到鸟瞰图

3. 初始轨迹提议：生成多模态锚定轨迹作为规划先验

4. 自回归精细化：通过 Traj_refiner 迭代精细化轨迹，同时进行针对性感知

5. 评分与选择：通过 Scorer 对轨迹进行评价，选择最优轨迹

4.2 关键机制

Position-guided Cross-Attention：轨迹点引导的空间交叉注意力

GridSampleCrossBEVAttention：从 BEV 特征中采样轨迹点特征

Autoregressive Refinement：迭代精细化轨迹

5. 实验与评估

5.1 测试数据集

NAVSIM：用于评估框架

Bench2Drive：CARLA 闭环仿真基准

5.2 性能指标

PDMS (Planning-driven Driving Metric Suite)：综合评分体系

NC (No Collision)、DAC (Driving Along Corridor)、EP (Efficient Progress)、TTC (Time To Collision)、Comfort

6. 如何学习与使用

6.1 资源地址

论文地址：https://arxiv.org/pdf/2508.11488

代码仓库：https://github.com/LogosRoboticsGroup/VeteranAD

6.2 安装步骤

1.克隆仓库：git clone https://github.com/LogosRoboticsGroup/VeteranAD

2.创建环境：conda create -n VeteranAD python=3.8

3.安装依赖：pip install torch==2.1.0 ...

4.安装 nuplan-devkit 和项目

5.下载数据

6.训练和评估