🤖 AI

AnchorVLA: Bridging Discrete Decisions and Continuous Trajectories for Vision-Language-Action Planning

AnchorVLA 是一种层级化视觉-语言-动作（Vision-Language-Action）规划框架，它通过将驾驶决策表示为局部运动模式的语义“锚点”，在高级推理与连续轨迹执行之间架起桥梁，从而克服了现有自回归或弱约束方法的低效与对齐问题，在 Bench2Drive 基准测试上实现了最先进的性能。

原作者： Qi Liu, Yabei Li, Hongsong Wang, Heng Zhang, Lei He

发布于 2026-07-07

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Qi Liu, Yabei Li, Hongsong Wang, Heng Zhang, Lei He

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在教一个机器人开车。机器人需要观察道路、理解交通规则、听从你的语音指令（比如“在下一个加油站左转”），然后实际平稳地操控方向盘。

这篇论文介绍了一种名为 AnchorVLA 的新系统，旨在帮助机器人更好地完成这项任务。以下是它的工作原理，通过简单的解释来呈现：

问题所在：“细节过多”的陷阱

目前的机器人驾驶员在两种方法中都面临困难：

“大局观”方法： 机器人理解了大意（例如，“我需要左转”），但随后它试图一次性搞定每一个极其微小的转向动作。它经常会感到困惑，因为“大意”无法紧密地控制那些微小的动作。
“步进式”方法： 机器人试图通过逐一列出成千上万个微小的坐标点来生成整个驾驶过程（就像一个字一个字地写小说）。这既缓慢又低效，而且容易出错，因为机器人在专注于微小细节时，会丢失对“故事”（高层规划）的掌控。

类比： 想象你在画一条完美的曲线。

旧方法 1： 你告诉艺术家，“画一条曲线”，但不给他们任何引导。他们可能会画出一条歪歪扭扭的线。
旧方法 2： 你告诉艺术家，“画一个点，然后向右移动 1 毫米再画一个点，然后再画一个……” 这需要耗费很长时间，而且如果你在第 50 个点上出了错，整个绘画就毁了。

解决方案：AnchorVLA

作者提出了一个中间方案，称为 AnchorVLA。把它想象成在画出最终图像之前，先使用模板或草图。

1. “锚点”（Anchors，即模板）

系统不再要求机器人决定每一个微小的动作，而是首先选择一个 “轨迹模式锚点”（Trajectory Pattern Anchor）。

什么是锚点？ 它是一个预制的“驾驶动作模板”。你可以把它想象成一个饼干模具。你有用于“保持车道”、“左转”、“刹车”或“超车”的各种模具。
它是如何工作的： 机器人的“大脑”（AI）观察当前情况并判断：“好吧，最适合当前情况的饼干模具是‘左转’那个。” 它一次性挑选出整个模式，而不是试图从零开始创造一个转弯。

2. “残差流”（Residual Flow，即精细调整）

一旦机器人选定了“左转”这个饼干模具，它并不会完全照搬。现实中的驾驶是复杂的，你必须根据其他车辆或路面颠簸进行调整。

类比： 想象你已经在纸上放好了“左转”模板。现在，你使用一支细尖笔在模板周围进行微调。也许你需要让曲线稍微变宽一点以避开坑洼，或者收紧一点以靠近路缘。
技术实现： 系统将此称为 决策锚定残差流（Decision-Anchored Residual Flow）。它通过结合“锚点”（大计划）并加上“残差”（精细调整），生成最终平滑且连续的路径。

为什么这种方法更好？

它更快： 机器人不需要计算成千上万个微小的点。它只需选择一个“锚点”（一个大决策），然后进行精细调整。这就像是在 GPS 上选择一条预设路线，然后根据交通情况进行微调，而不是计算每一寸路程。
它更聪明： 因为机器人首先关注“重大决策”（如“我正在超车”），所以它能始终遵循计划。它不会迷失在微小坐标的细节之中。
它更安全： 论文在名为 Bench2Drive 的驾驶模拟器上进行了测试。结果显示？使用 AnchorVLA 的机器人成功完成了驾驶任务的比例达到了 77.28%，这是所有测试方法中的最高分。同时，它在整体驾驶质量上也表现得非常出色。

总结

AnchorVLA 就像是给机器人驾驶员提供了一套预制的驾驶“招式”（锚点）。

机器人根据所见所闻，选择正确的招式（例如“超车”）。
然后，它针对特定的道路状况对该招式进行精细调整。

这弥合了“思考”（理解计划）与“执行”（操控车辆）之间的鸿沟，使机器人成为更安全、更高效的驾驶员。

技术摘要：AnchorVLA

问题陈述

自动驾驶规划需要将高层导航意图、交通规则、动态交互以及语言指令转化为可执行的连续轨迹。虽然视觉-语言-动作（VLA）模型已被引入以增强长尾泛化能力、常识推理能力和可解释性，但现有的 VLA 规划器在高级语言推理与低级连续轨迹执行之间存在根本性的抽象鸿沟。

目前的方法通常遵循两种范式，两者均存在局限性：

基于规划头的模型（Planning-Head-Based Methods）： 这些方法利用 VLM/LLM 特征来驱动一个独立的规划头。虽然它们能够实现快速的连续生成，但轨迹空间受 VLA 推理的约束较弱，导致局部机动动作难以与高层决策保持一致。
自回归生成法（Autoregressive Generation Methods）： 这些方法将轨迹离散化为坐标或路点（waypoint）标记并进行顺序生成。虽然这种方式让 LLM 参与更直接，但生成的动作标记信息密度较低（仅代表单个几何点）。这导致了序列过长、离散化误差累积，以及与场景上下文语义对应性弱的问题，未能充分利用 LLM 在离散抽象方面的优势。

方法论：AnchorVLA

作者提出了 AnchorVLA，一种分层的决策锚定（Decision-Anchored）VLA 规划框架。其核心思想是将动作表示从低级坐标标记提升为高级的轨迹模式锚点（trajectory-pattern anchors）。这些锚点作为高层 VLA 推理与连续轨迹执行之间的显式接口。

该框架由两个主要部分组成：

1. 决策即锚定表示（Decision-as-Anchor Representation, DAAR）

DAAR 将高层 VLA 推理映射到一个紧凑的轨迹模式锚点空间中。模型不再自回归地生成低级坐标标记，而是预测行为级的驾驶决策（例如：车道保持、制动、让行、转弯），这些决策由锚点表示。

码本构建（Codebook Construction）： 通过对训练轨迹进行聚类来构建轨迹模式码本 $\mathcal{A} = \{a_k\}_{k=1}^K$ 。每个锚点 $a_k$ 代表一个完整的局部运动模式。
软目标监督（Soft Target Supervision）： 将地面真值（ground-truth）轨迹映射到锚点空间。为了保持轨迹模式空间中的局部连续性，模型不使用硬标签，而是构建基于最近锚点的软目标分布。
建模变体（Modeling Variants）： 文中通过两种方法实例化了 DAAR：
- 基于查询的建模（Query-Based Modeling）： 使用附加在输入序列后的可学习查询，通过 MLP 头进行锚点分类。
- 自回归建模（Autoregressive Modeling）： 在 LLM 词表中引入与锚点相对应的特殊标记。这使得 LLM 能够利用其原生的下一标记预测接口来预测锚点，将锚点选择视为行为级的标记预测。

2. 决策锚定残差流（Decision-Anchored Residual Flow, DARF）

一旦选定了行为级锚点，必须生成具有精细连续精度的最终可执行轨迹。DARF 在锚点定义的残差空间中对这种生成进行建模。

残差公式化（Residual Formulation）： 最终轨迹 $\tau$ 表示为 $\tau = a_k + r_k$ ，其中 $a_k$ 是选定的锚点， $r_k$ 是连续残差。
流匹配（Flow Matching）： 不同于通过平均多个可行修正值的确定性回归，DARF 使用流匹配来建模选定锚点行为空间内的连续残差的多模态分布。这捕捉了精细执行过程中的不确定性和多样性（例如，基于周围智能体在换道过程中的轻微变化）。
训练与推理（Training & Inference）： 模型被训练用于预测残差路径的速度场。在推理阶段，模型为多个预测出的前 $M$ 个候选锚点生成候选轨迹，并根据预测的置信度分数选择最终输出。

核心贡献

分层框架： 提出了 AnchorVLA，将轨迹模式锚点构造成一个显式的决策接口，连接了高层 VLA 推理与连续轨迹执行。
新颖表示： 引入了 DAAR 将推理映射到紧凑的锚点空间，以及 DARF 在选定的锚点定义空间内生成多模态连续精细化结果。
达到 SOTA 性能： 证明了使用轨迹模式锚点作为行为级决策接口，可以在不牺牲推理效率的前提下，提高闭环可靠性和语义-动作的一致性。

实验结果

该方法在基于 CARLA 的 Bench2Drive 闭环基准测试中进行了评估。

主要指标： AnchorVLA 实现了 77.28% 的成功率 (SR)，在所有对比方法中最高，且 驾驶得分 (DS) 为 89.92。
- 与 LinkVLA（一种强大的自回归基准）相比，AnchorVLA 将 SR 从 74.55% 提升至 77.28%，同时保持了极具竞争力的 DS（89.92 vs. 91.01）。
- 与 BridgeDrive 相比，它同时提升了 DS（87.99 $\to$ 89.92）和 SR（74.99 $\to$ 77.28）。
多能力评估： 该方法在多种能力（汇入、超越、制动、让行、交通标志）上取得了最佳平均分（74.22%），尤其是在 超越（Overtake） 能力上取得了最佳得分（81.11%）。
消融实验：
- 建模方式： 自回归锚点建模的表现优于基于查询的建模以及缺乏显式锚点决策的变体，证实了在 LLM 标记空间内进行高层决策建模的益处。
- 流匹配： DARF（锚点定义的残差流）优于确定性残差回归和全轨迹流匹配，这表明在紧凑的锚点定义空间内建模残差对于有限步数的生成更为有效。
- 延迟： 通过将自回归生成限制在紧凑的锚点空间（仅预测少量标记）而非完整的轨迹序列，AnchorVLA 显著降低了额外的延迟（64 ms，而全轨迹自回归基准为 361 ms）。

重要性

本文声称，轨迹模式锚点是连接语言级推理与连续轨迹规划的有效接口。通过对紧凑且具有语义意义的锚点进行推理，而不是自回归地生成长序列、低信息密度的坐标标记，AnchorVLA 在保留 LLM 决策优势的同时，提高了推理效率、语义-动作一致性以及连续生成的灵活性。实验结果验证了这种分层方法能为闭环自动驾驶提供更可靠的行为级引导。