🎯 NAVSIM 是什么？
NAVSIM = Non-reactive Autonomous Vehicle Simulation，一个"非反应式"的自动驾驶开环评测框架与基准。
如果你这两年读端到端自动驾驶的论文，几乎每一篇都会报一个叫 PDMS 的分数，这个分数就来自 NAVSIM。它由图宾根大学、NVIDIA Research、OpenDriveLab 联合提出（Daniel Dauner 等，NeurIPS 2024），目前已经是端到端规划领域事实上的标准评测，也是智驾挑战赛（AGC）的官方赛道。
NAVSIM 的几个关键事实：
| 维度 | 说明 |
|---|---|
| 数据来源 | OpenScene 数据集，本质上是 nuPlan 日志降采样到 2 Hz 的子集 |
| 任务 | 给定历史观测（多相机/LiDAR），预测自车未来 4 秒轨迹 |
| 仿真方式 | 非反应式（non-reactive）：背景车按录制轨迹走，自车用 LQR 控制器执行预测轨迹 |
| 核心指标 | PDMS（v1）/ EPDMS（v2） |
| 发表 | NeurIPS 2024 Datasets & Benchmarks |
理解 NAVSIM 的关键在于"非反应式“三个字：自车虽然会把轨迹"开出来”（4 秒前向仿真），但周围车辆、行人不会因为自车的动作而改变行为——它们只是回放历史轨迹。这是一种"半开环"设计：既比纯位移误差更接近真实（轨迹要经过物理执行和碰撞检查），又避免了闭环仿真的高昂成本。
一句话定位：NAVSIM 用开环的代价，换取尽可能接近闭环的信号。
📏 核心指标 PDMS 怎么算？
PDMS（Predictive Driver Model Score，预测驾驶模型得分） 是 NAVSIM v1 的核心分数，它最大的贡献是抛弃了与人类轨迹比 L2 误差的思路，转而直接衡量规划的"质量"。
传统 L2 指标的致命缺陷
在 nuScenes 上，规划指标是 L2 位移误差 / 碰撞率。但驾驶本质是多模态的——前方有障碍时，左变道和右变道都合理。如果你预测了"绕行"，而人类 GT 是"刹车"，L2 会判你错，可你其实开得很好。更糟的是，“原地不动"几乎永远 L2 最低，于是模型学会了"躺平"刷分。
PDMS 的设计哲学
PDMS 的思路是：不跟人比像不像，而是看这条轨迹本身安不安全、舒不舒服、有没有往前走。 它由两部分组成——乘性惩罚（multiplier） 和 加权子分（weighted）：
$$\text{PDMS} = \underbrace{\left(\prod_{m \in \{NC,\, DAC\}} m(\text{agent})\right)}_{\text{乘性惩罚：撞了/越界直接清零}} \cdot \underbrace{\left(\frac{\sum_{m \in \{TTC,\, EP,\, C\}} w_m \cdot m(\text{agent})}{\sum w_m}\right)}_{\text{加权平均：行驶质量}}$$- 乘性部分：一旦发生无责碰撞或驶出可驾驶区域，整条轨迹直接得 0 分——这是"安全一票否决”。
- 加权部分：在安全的前提下，再综合"是否前进、是否留有安全距离、是否舒适"给出质量分。
这样设计的好处非常明显：“原地不动"虽然不撞，但 EP（前进量）极低，拿不到高分；合理的绕行即便偏离人类 GT，只要安全舒适、有进展，照样得高分。
一次评测到底发生了什么？
具体到每条样本，NAVSIM 的评测流水线是这样的：取一帧初始场景 → 让被测模型预测未来 4 秒（共 8 个 0.5 秒的时间点）的自车轨迹 → 用一个 LQR 横向控制器把这条几何轨迹"翻译"成实际可执行的车辆运动（生成真实的位置、速度、加速度序列）→ 与同样回放 4 秒的背景交通流做碰撞检测与合规检查 → 算出各个子分并按上式合成 PDMS。整个过程无需模型在线推理、无需交互，所以可以像开环一样一次性并行算完整个测试集，这也是它比闭环快一个数量级的根本原因。
🔍 子指标详解
PDMS 由若干子分组合而成。理解这些子分，你才能看懂论文里的 ablation 在说什么。
| 子指标 | 全称 | 类型 | 取值 | 权重 | 衡量什么 |
|---|---|---|---|---|---|
| NC | No at-fault Collisions | 乘性 | {0, ½, 1} | — | 是否与动态/静态障碍发生有责碰撞 |
| DAC | Drivable Area Compliance | 乘性 | {0, 1} | — | 是否始终在可驾驶区域（车道/路面）内 |
| EP | Ego Progress | 加权 | [0, 1] | 5 | 前进量：实际行驶距离与参考的比值 |
| TTC | Time-to-Collision | 加权 | {0, 1} | 5 | 是否始终保留足够碰撞时间余量 |
| C | Comfort | 加权 | {0, 1} | 2 | 加速度/急动度（jerk）是否在舒适阈值内 |
几个要点深入解读：
- NC 的"无责"很关键：NAVSIM 区分"责任”。如果碰撞是背景车突然冲出来造成的（自车无法避免），不算自车的错。这避免了把不可抗力的碰撞算到规划器头上。
- EP 是反"躺平"的利器：它正比于自车沿参考线的前进距离。原地不动 EP→0，直接压低加权平均分。这也是 NAVSIM 区别于 L2 的核心。
- TTC 是前瞻安全：不只看当前这一步撞没撞，而是检查未来每个时间点的碰撞时间是否高于阈值，鼓励"留余地"的规划。
- C 关注体感：对纵向/横向加速度和 jerk 设硬阈值，超过即不舒适。NAVSIM v2 进一步把它升级成 HC（History Comfort），还新增 EC（Extended Comfort），检查相邻帧输出轨迹的动态一致性，惩罚"忽左忽右"的抖动。
NAVSIM v2 的 EPDMS 扩展
2025 年的 v2 版本把指标升级为 EPDMS（Extended PDMS），新增两个乘性项和三个加权项：
| 新增子指标 | 类型 | 含义 |
|---|---|---|
| DDC Driving Direction Compliance | 乘性 | 是否逆行/走错方向 |
| TLC Traffic Light Compliance | 乘性 | 是否闯红灯 |
| LK Lane Keeping | 加权(2) | 是否长时间偏离车道中心 |
| HC History Comfort | 加权(2) | 含历史运动一致性的舒适度 |
| EC Extended Comfort | 加权(2) | 相邻帧输出的动态一致性 |
此外，v2 引入 误报惩罚过滤：当人类驾驶员本身在该场景也会违规时（如借对向车道绕障），不再惩罚规划器，避免"按规矩开车反而被扣分"。还引入了伪闭环（pseudo closed-loop）两阶段聚合：第一阶段在初始场景评测；第二阶段额外准备了一组预滚动的 follow-up 场景（每个对应一条不同的 4 秒规划），再根据被测模型第一阶段实际终点与各 follow-up 起点的高斯核距离加权汇总，最后两阶段相乘。这样无需真正交互，也能近似"偏离之后会怎样"，进一步缩小开环与闭环的差距。
📂 navtrain / navtest / navhard 数据划分
NAVSIM 的评测公平性，很大程度上来自它精心设计的 split（数据划分）。这些 split 都是对 OpenScene（nuPlan 2Hz）做场景过滤得到的。
| Split | 来源 | 用途 | 特点 |
|---|---|---|---|
| navtrain | trainval | 训练 | 过滤掉无聊场景，只保留有挑战性的非平凡驾驶；传感器数据 445GB（带历史） |
| navtest | test | NAVSIM v1 标准测试 | 同样过滤为有挑战场景，是 v1 排行榜（PDMS）的评测集 |
| navhard_two_stage | test + 合成帧 | NAVSIM v2 标准测试 | 含合成观测的伪闭环两阶段评测，对应 EPDMS 排行榜 |
| warmup / private_test | — | 挑战赛 | 热身赛与私有测试集，禁止用于训练 |
为什么要"过滤"？
nuPlan 原始日志里，绝大多数场景是直道匀速、无交互的"无聊"片段。如果直接拿来评测，模型只要输出"恒速直行"就能拿高分。NAVSIM 的 scene filter 专门挑选那些**“恒速恒向"会失败**的场景——比如路口转弯、变道、减速避让、应对行人。这样刷出来的分数才有区分度。
navtrain vs navtest 的本质区别
- navtrain 是给模型学习用的，场景丰富但分布相对平缓；
- navtest 是只评不训的盲测集，分布更偏安全关键与长尾。
- 两者都来自过滤，但完全独立、无重叠，navtest 禁止用于训练，否则成绩无效。
一句话：navtrain 教模型"怎么开”，navtest 考模型"关键时刻开不开得对"。
值得一提的是三者之间的演进逻辑：navtest 是 v1 时代的"一锤定音"；navhard 则是 v2 为治理"开环刷榜"而引入的升级版——它不仅包含真实帧，还掺入合成观测，并要求两阶段伪闭环评测，专门用来暴露纯开环看不到的规划脆弱性。所以当你看到论文报分时，一定要分清是 PDMS（navtest，v1） 还是 EPDMS（navhard，v2），后者通常比前者低 3–10 分，含金量更高。
🆚 为什么 NAVSIM 比 nuScenes 的 L2 更好？
这要从 L2 误差的根本问题说起。
| 对比维度 | nuScenes L2 误差 | NAVSIM PDMS |
|---|---|---|
| 衡量对象 | 与人类 GT 的位移差 | 轨迹本身的安全/舒适/进展 |
| 多模态 | ❌ 把合理替代方案判为错 | ✅ 只要合理就给分 |
| “躺平"问题 | ❌ 原地不动 L2 最低，最"优” | ✅ EP 惩罚，不动拿低分 |
| 分布偏移 | 严重：自车轨迹几乎总在 GT 流形上 | 缓解：不要求贴合 GT |
| 与闭环相关性 | 几乎无相关 | 有正相关 |
NAVSIM 论文里一个核心实验（见上图）：他们把多个规划器放进真正的闭环仿真，发现传统 L2/OLS 指标和闭环分数几乎零相关——一个 nuScenes 上 L2 最低的模型，闭环里可能是个马路杀手；而 PDMS 与闭环分数呈现明显的正相关。这正是 NAVSIM 迅速取代 nuScenes、成为端到端规划标配的原因：它在开环代价下，给出了一个真正"预言"驾驶能力的信号。
💡 一句话：nuScenes 的 L2 衡量"像不像人开"，NAVSIM 的 PDMS 衡量"开得好不好"——后者才是我们真正关心的。
🏆 当前 NAVSIM 排行榜 Top（2025–2026）
下面是 NAVSIM 上有代表性的 SOTA 工作（分数为公开报告值，含 v1 的 PDMS 与 v2 的 EPDMS）。注意榜单迭代极快，半年就有新王者。
| 排名 | 模型 | PDMS(v1) ↑ | EPDMS(v2) ↑ | 关键技术 |
|---|---|---|---|---|
| 1 | CLOVER | 94.5 | 90.4 | 候选生成+打分器闭环自蒸馏 |
| 2 | CLEAR | 93.7 | — | VAE 单步漂移 + Drive-JEPA + 小 LLM |
| 3 | DriveVLA-W0 | 93.0 | 86.1 | 世界模型预训练 + AR 动作头（单目） |
| 4 | LWDrive | 92.0 | 89.6 | 世界模型引导的层级化规划 |
| 5 | ASSCG | 91.4 | — | 快慢系统自适应 Query 门控 |
| 6 | D³-MoE | 91.3* | 87.5* | 解耦扩散 MoE + 风格控制 |
| 7 | HiST-VLA | — | 88.6 | 层次化时空 VLA |
| 8 | WoTE | 88.3 | — | 面向思考的端到端 |
| 9 | DiffusionDrive | 88.1 | 84.5 | 扩散头多模态轨迹生成 |
| 10 | S-squared-VLA | 87.1 | — | 语义/空间解耦 VLA |
| — | OneDrive | 86.8 | — | 统一多范式 VLA |
| — | UniAD | 83.4 | — | 经典基线（2023） |
| 参考 | 人类驾驶 | ~94.8 | — | 性能天花板 |
* D³-MoE 为 Best-of-Three 集成分数。
几点趋势观察：
- 天花板逼近人类：头部工作（CLOVER 94.5）已非常接近人类参考分（~94.8），navtest 上的 PDMS 几乎快要刷满。
- 战场转移到 v2/navhard：因为 v1 接近饱和，2025 年起竞争焦点转向 EPDMS 和伪闭环 navhard（更难、含分布外场景），顶尖模型的 EPDMS 仍在 90 上下挣扎。
- 方法论收敛：榜单前列几乎全是 “生成式多模态候选 + 打分挑选” + 大模型/世界模型" 的组合，纯确定性回归已被淘汰。
- 安全类子分饱和：NC、TTC、Comfort 在 SOTA 模型上普遍接近满分，真正拉开差距的是 EP（前进量）——敢不敢开得快、开得远。
⚠️ NAVSIM 的局限性
NAVSIM 再好用，也不是闭环。认清它的边界，才能正确解读分数。
| 局限 | 说明 | 后果 |
|---|---|---|
| 非反应式 | 背景车不回应自车 | 自车激进加塞也不会被撞回来，高估安全性 |
| 无误差恢复 | 只仿真 4 秒，不递归 | 看不到"小偏差滚雪球成大事故"的复合误差 |
| 分布偏移 | 评测仍在数据集分布内 | OOD（真正长尾）场景的失败完全暴露不出来 |
| 传感器固定 | 无天气/光照/对抗扰动 | 感知鲁棒性测不到 |
| 开环打分本质 | 仍是非交互式 | “刷榜技巧”（针对指标过拟合）依然可能 |
最典型的反例：一个在 NAVSIM 上拿 90+ 分的模型，闭环里可能因为第一次轻微偏离车道后，场景就跑出训练分布而彻底崩溃——这就是所谓的 compounding error（误差累积） 雪球效应。NAVSIM 的非反应式设计根本触发不了这种失败模式。
⚠️ 记牢：NAVSIM 高分是"能规划"的必要条件，远非"能开车"的充分条件。
🔗 与 Bench2Drive 等闭环评测的互补关系
正因为 NAVSIM 有上述局限，社区形成了"开环 + 闭环“双轨评测的共识，而 Bench2Drive 正是闭环侧的代表。
| 维度 | NAVSIM（开环/半开环） | Bench2Drive（闭环） |
|---|---|---|
| 底层 | OpenScene / nuPlan 真实日志 | CARLA 仿真器 |
| 交互 | 非反应式 | 完全反应式，交通流实时响应 |
| 指标 | PDMS / EPDMS | Driving Score（完成率×合规） |
| 成本 | 低，提交预测即可 | 高，需模型在线推理 rollout |
| 覆盖 | 真实数据分布 | 44 条预定义路线、9 类能力的场景库 |
| 强项 | 真实感、大规模、快速迭代 | 真能跑通、能暴露累积误差与交互失败 |
两者的互补关系可以这样理解：
- NAVSIM 负责"快速筛选”：成本低、迭代快，适合算法研发的日常打磨。一个新想法先在 NAVSIM 上验证有没有前途。
- Bench2Drive 负责"终极考核"：只有在闭环里真正跑通 44 条路线、低碰撞高完成率，才算"能开车"。
有意思的是，2026 年的一项跨基准研究（arXiv:2605.00066）系统比较了两者，得出三个关键结论：
- PDMS 与闭环 Driving Score 强正相关但不单调——存在明显的排名反转；
- EP（前进量）是闭环成功最强的单项预测器，甚至比碰撞指标 NC 更能预言闭环表现；
- TTC 和 Comfort 在 SOTA 上已接近饱和，对区分模型贡献很小。
这恰好印证了"开环负责精度与质量、闭环负责行为与交互"的分工。
理想的评测组合拳
三者缺一不可：开环看精度 + 闭环看行为 + 实路看长尾。NAVSIM 不是终点，而是这条评测链上最关键、最高效的第一环。
✅ 小结
抓住这三点，你就抓住了 NAVSIM 的精髓：
- 本质 = 基于 nuPlan/OpenScene 的非反应式开环评测，用 4 秒前向仿真让轨迹"开出来"再做碰撞/合规检查，成本远低于闭环。
- 指标 = PDMS / EPDMS，由"乘性安全惩罚（NC、DAC）“和"加权质量分（EP、TTC、Comfort）“组成，抛弃 L2 误差，直接衡量"开得好不好”，并与闭环分数正相关。
- 定位 = 当前端到端规划的事实标准，navtest 接近饱和、战场转向 v2 的 EPDMS 与 navhard；但它仍非闭环，必须与 Bench2Drive、实路测试互补。
一句话总结：NAVSIM 让"规划好不好"第一次变得可量化、可复现、可比拼——它是端到端驾驶走向科学的基石。
💡 这是「知识点拆解」系列的第 6 篇。结合前面讲过的端到端演进、DiffusionDrive、Flow Matching，你就能完整理解一篇端到端论文里"PDMS 88→92"到底意味着什么。下期我们继续拆解闭环评测与强化学习在规划里的落地。