关注我，帮你了解自动驾驶最新动态！
自动驾驶大模型可以解释“前方有车、路口左转”，却可能在真正输出轨迹时压线。原因并不神秘：语言模型擅长抽象语义，但连续道路边界、车辆距离和转弯曲率，恰恰是压缩过程中最容易损失的信息。
S²-VLA 的思路是把“看懂场景”和“保留空间”分成两条通路。语义流负责理解意图，空间流绕过语言瓶颈，直接保留视觉编码器中的几何特征，再由双流规划器共同输出轨迹。
团队与论文信息
论文 S-squared-VLA: Decoupling Semantic and Spatial Streams in Vision-Language-Action Models for Autonomous Driving
团队 武汉理工大学机械与电子工程学院、智能交通系统研究中心及计算机学院
作者 Jianguo Yu、Rukang Wang 等；Duanfeng Chu 为通讯作者
状态 arXiv 预印本，NAVSIM 闭环规划评估
▍VLA 会推理，为什么还会压线？
传统端到端驾驶模型直接从图像预测轨迹，空间信息保留得较好，但缺少语言层面的常识和意图理解。
VLM 能补上语义，却输出离散 token。车辆控制需要连续坐标和高频动作，两者之间存在语义与物理鸿沟。
VLA 尝试把语义和动作统一到一个模型中，但深层语言表征会压缩视觉细节。如果规划头只读取高度抽象的语义 token，道路边界和障碍距离就可能变得模糊。论文把这种现象称为“空间表征塌缩”。
▍一条通路负责理解，一条通路负责测量
语义流从 VLM 多个层级提取特征，而不只依赖最后一层。较浅层保留局部视觉线索，较深层提供任务意图和场景关系，多尺度桥接把它们组合起来。
空间流则直接读取视觉编码器特征，并用 BEV 地图与交通参与者预测任务进行辅助监督。它被迫学习车道、边界、障碍位置和动态目标，而不是只记住纹理。
最后，双流规划适配器用级联注意力融合两类信息：语义决定“应该做什么”，空间约束决定“轨迹可以在哪里通过”。
▍真正有说服力的，是转弯和路口
定性结果显示，VLM 基线在高曲率转弯和交叉口更容易偏离车道中心。S²-VLA 生成的轨迹更贴合道路几何，并能避开车辆边界。
▍87.1 分，提升来自哪里？
在 NAVSIM navtest 闭环基准上，S²-VLA 的 PDMS 为 87.1，无碰撞率为 98.4%。论文强调，这一结果使用纯监督微调，没有依赖强化学习加成。
消融实验也给出清晰路径：加入多层语义特征后，PDMS 从 84.1 提升到 85.6；增加独立空间特征后继续提升；辅助感知任务再贡献 0.9 分，最终达到 87.1。
▍双流不是终点，计算和数据仍是限制
双流结构会增加模型和训练复杂度。空间辅助任务依赖 BEV 地图与目标标注，意味着训练数据仍需较强几何监督。
论文只在 NAVSIM 体系内评估，尚未展示真实车辆部署，也没有证明在极端天气、传感器失效或全新城市中同样有效。
但它提出了一个值得持续追踪的判断：自动驾驶大模型不能只追求更强语言推理，还要防止语言抽象吞掉控制真正需要的空间细节。会说清楚路况，与能把车稳稳开在路中间，仍然是两件事。
读者问题：自动驾驶 VLA 中，你认为更难补齐的是常识推理，还是精确空间感知？
如果你想持续看自动驾驶、机器人和具身智能论文的可读版拆解，可以关注本号。
▍往期精选
1. 自动驾驶大模型会说还不够：DriveTeach-VLA 教它先看对地方
2. 自动驾驶大模型不能只会反应：WCog-VLA 让它提前预判世界怎么变
