📄 论文信息
- 标题：MVAdapt: Zero-Shot Multi-Vehicle Adaptation for End-to-End Autonomous Driving
- 团队：首尔大学（Haesung Oh, Jaeheung Park）
- arXiv：2604.11854（2026 年 4 月 13 日提交，cs.RO）
- 代码：github.com/hae-sung-oh/MVAdapt（已开源）
- 一句话总结：端到端自动驾驶模型隐含地绑定了训练车的动力学特性，换辆车就翻车——MVAdapt 把"车辆物理属性"作为显式条件注入模型，在冻结感知骨干的情况下实现零样本跨车型迁移。
🤔 要解决什么问题？
被忽视的"车辆域差距"
端到端自动驾驶模型通常只在一辆固定车型上训练和评测。但作者指出：驾驶策略隐式地绑定了训练车的动力学特性。当模型被部署到不同物理属性的车辆上时，性能会严重下降——他们把这个问题定义为车辆域差距（Vehicle-Domain Gap）。
差距具体体现在三个层面：
| 问题 | 说明 | 后果 |
|---|---|---|
| 动态响应差异 | SUV 和轿车对相同控制输入的反应不同 | 同一控制量，SUV 转向不足、轿车转向过度 |
| 轨迹可行性 | 对轿车安全的轨迹对 SUV 可能不可行 | 转弯半径不足、碰撞路沿 |
| 运动学可行性 | 模型可能输出车辆无法执行的运动指令 | 超出物理极限的控制命令 |
差距有多大？
一个在默认车辆上训练的 TransFuser++ 路径点模型，naïve transfer 到 27 种训练分布内车辆时 Driving Score 平均仅 19.31，到 31 种未见车辆上仅 28.77——远低于源车上的专用性能。这个下降幅度说明车辆域差距不是概念问题，而是实际问题。
🏗️ 架构总览：物理条件化的场景特征
MVAdapt 的核心设计哲学是：冻结场景编码器（保留视觉泛化能力），显式注入车辆物理属性（条件化驾驶策略）。
整体数据流（三段式）：
- 场景编码：相机 + LiDAR → TransFuser++（冻结） → 场景特征 $F_s$
- 物理条件注入：车辆属性 {wheelbase, mass, drivetrain} → MLP 编码 → $F_p$ → 交叉注意力($F_s$, $F_p$) → 融合特征 $F_{\text{fused}}$
- 路径生成：$F_{\text{fused}}$ → GRU 自回归解码 → 未来路径点 ${(x,y)_1,\dots,(x,y)_T}$
组件 1：场景特征提取器（冻结）
MVAdapt 使用 TransFuser++ 作为场景骨干，该模型是 CARLA 端到端驾驶的经典基线。TransFuser++ 通过 Transformer 融合相机图像和 LiDAR BEV 特征，输出场景级特征表示。关键在于：MVAdapt 冻结了整个 TransFuser++ 骨干，不更新其参数。这意味着模型保留了源数据的视觉泛化能力，只通过物理条件来调整驾驶行为。
组件 2：物理编码器
这是 MVAdapt 的核心创新。作者将每辆车的物理属性编码为一个固定维度的嵌入向量。所选物理参数包括：
| 物理参数 | 符号 | 归一化方式 | 对驾驶行为的影响 |
|---|---|---|---|
| 轴距（Wheelbase） | $L$ | 除以最大值 | 转弯半径、操控灵活性 |
| 轮距（Track） | $T$ | 除以最大值 | 稳定性、侧倾特性 |
| 质量（Mass） | $m$ | 除以最大值 | 加速/制动距离、惯性 |
| 最大转向角 | $\delta_{\max}$ | 除以最大值 | 最小转弯半径 |
| 最大速度 | $v_{\max}$ | 除以最大值 | 巡航策略、跟车距离 |
| 驱动方式（Drivetrain） | — | One-hot（FWD/RWD/AWD） | 牵引力、操控特性 |
这些参数通过一个轻量 MLP 编码为物理嵌入 $F_p$：
$$F_p = \text{MLP}(\text{Concat}[L_{\text{norm}}, T_{\text{norm}}, m_{\text{norm}}, \delta_{\text{norm}}, v_{\text{norm}}, \text{drivetrain\_onehot}])$$归一化到 $[0, 1]$ 范围是关键设计：它让模型对不同物理量纲的参数一视同仁，同时让零样本迁移时只需输入新车的物理参数即可。
组件 3：交叉注意力融合
场景特征 $F_s$ 与物理嵌入 $F_p$ 通过一个多头 Transformer 编码器融合：
$$F_{\text{fused}} = \text{MultiHeadAttn}(Q=F_s, K=F_p, V=F_p)$$物理嵌入作为 Key 和 Value，场景特征作为 Query。这意味着模型根据当前场景特征，去"查询"与车辆物理属性最相关的动态信息——比如在急弯场景下，交叉注意力会强调轴距和最大转向角的信息，让路径点更保守。
组件 4：GRU 路径点解码器
融合特征被送入一个 GRU 自回归解码器，逐点生成未来路径点：
$$\hat{w}_t = \text{GRU}(F_{\text{fused}}, \hat{w}_{t-1}), \quad t=1, \dots, T$$训练目标为路径点的 $L_1$ 损失：
$$\mathcal{L} = \sum_{t=1}^T \|\hat{w}_t - w_t^{\text{expert}}\|_1$$零样本迁移与少样本微调
MVAdapt 支持两种适应模式：
零样本适应（Zero-Shot）：只需替换推理时的物理参数输入，模型自动调整驾驶策略。因为物理编码器在所有车辆上共享且 TransFuser++ 骨干冻结，模型学会了"给定相同场景 + 不同物理属性 → 输出不同路径点"的映射。
少样本微调（Few-Shot）：对于极端物理异常值（如重型卡车），零样本迁移可能不够。MVAdapt 支持用新车的少量轨迹数据微调物理编码器 + 交叉注意力模块（仍冻结 TransFuser++ 骨干），数据量只需约 1 分钟的驾驶数据。
🧪 实验验证：58 车型 + CARLA Leaderboard
实验设定
- 仿真器：CARLA Leaderboard 1.0（Town01-Town15 的 36 条测试路线）
- 训练车辆：27 种（含轿车、SUV、跑车、皮卡、厢式货车等）
- 测试车辆：58 种（27 种 ID + 31 种 OOD 未见车辆）
- 基线：Naïve Transfer、URMA（统一本体架构）、BodyTransformer
零样本适应结果
| 方法 | ID 车辆 Driving Score | OOD 车辆 Driving Score |
|---|---|---|
| Naïve Transfer | 19.31 | 28.77 |
| URMA | 26.49 | 37.37 |
| BodyTransformer | 29.04 | 40.12 |
| MVAdapt | 44.77 | 53.83 |
MVAdapt 在 ID 车辆上比最佳基线 BodyTransformer 高 15.7 个点，在 OOD 车辆上高 13.7 个点。值得注意的是 OOD 分数高于 ID——作者解释说这是因为 OOD 车辆中包括大量与训练车相似的车型，而 ID 车辆中包含了一些物理异常值（如重型货车）拉低了均值。
定性分析
两个定性案例清晰说明了物理条件化的效果：
| 场景 | 车型 | 基线行为 | MVAdapt 行为 | 原因 |
|---|---|---|---|---|
| 转弯半径 | Cybertruck（大型） | URMA 误判转弯半径 → 被别车卡住（RC 约 66%） | 根据物理参数意识到底盘大 → 保持更安全轨迹 → 顺利通过（RC 100%） | 轴距+轮距信息让模型知道大车转弯要更保守 |
| 过度转向 | Mini Cooper（小型） | BodyTransformer 以中型车曲率右转 → 过度转向冲上路沿（RC 15%） | 意识到底盘小、转向灵活 → 更紧凑的转弯轨迹 → 无违规通过（RC 100%） | 物理参数让模型知道自己"小而灵活" |
此外，越界预测问题也被显著缓解：naïve transfer 经常预测超出车辆物理极限的转向角，MVAdapt 因为有物理条件约束，输出始终在可行范围内。
消融实验
| 组件 | 配置 | ID DS | OOD DS |
|---|---|---|---|
| 完整 MVAdapt | — | 44.77 | 53.83 |
| w/o 交叉注意力 | 仅拼接场景与物理特征 | 38.50 | 48.09 |
| w/o 物理编码器 | 仅用场景特征 | 20.14 | 28.58 |
| w/o 特征归一化 | 物理参数不归一化 | 37.21 | 46.34 |
消融表明：
- 物理编码器是最关键的组件：去掉后 Driving Score 暴跌到 20.14（几乎等于 naïve transfer）
- 交叉注意力比简单拼接更好：+6.3/+5.7 个点，说明选择性地融合物理信息比粗暴拼接更有效
- 物理参数归一化也有明显贡献：+7.6/+7.5 个点
少样本微调
对极端物理异常值的实验中，仅用 2 条专家轨迹（约 60 秒驾驶数据） 微调物理编码器和交叉注意力，MVAdapt 就在未见车辆上从零样本的 28.94→44.66（+15.7），展示了极高的数据效率。
💡 个人思考
“冻结骨干 + 条件化适配"是高效的域迁移范式：MVAdapt 不重新训练庞大的感知模型（TransFuser++），而是只加一个轻量物理条件模块。这个思路对工业部署极具吸引力——你只需要一个通用的场景编码器（可以在大规模数据上预训练），然后为每辆车配一组物理参数，零样本部署。对比当前"每辆车训一个模型"的做法，这是数量级的效率提升。
车辆域差距是一个被低估的研究方向：当前端到端驾驶研究几乎都默认使用单一车型评测（CARLA 默认车、nuScenes 固定平台），没有人问"如果换辆车，模型还能开吗？"。MVAdapt 用 58 辆车的系统实验证明，这个差距大到不可忽视。这提醒我们：端到端模型的"泛化性"评测应该包括车辆本体维度，而不只是天气、场景、光照。
物理参数的选取是最关键的工程决策：MVAdapt 只用了 6 个物理参数（轴距、轮距、质量、最大转向角、最大速度、驱动方式）。为什么不多用（如轮胎摩擦系数、悬挂刚度）？少用是"够用”，多用会引入噪声和难获取的参数。对一个依赖 CARLA 仿真环境的工作来说，这些参数正好是仿真器暴露的、且对驾驶行为影响最显著的。这个"最简足够"的原则值得学习——在实际系统中，传感器到执行器的物理参数链很长，找到"因果影响驾驶策略的最小参数集"才是关键。
对比具身 VLA 的启示：LingBot-VLA 2.0 在机器人的跨本体泛化上也碰到同样的问题——不同机器人的动力学差异导致统一动作头难以学习。MVAdapt 的"物理条件化"思路也可以迁移到 VLA：在 VLM 的动作头前面加一个"机器人物理属性编码器"，让同一套模型根据不同的机器人尺寸/自由度/驱动力矩调整动作输出。这和 LingBot-VLA 2.0 的 MoE 动作专家是互补方案——MoE 隐式地让专家自发分化，而物理条件化是显式地告诉模型"你现在是什么车"。
局限与展望：当前工作在 CARLA 仿真上验证，sim-to-real 仍有 gap——真实车辆的物理参数更难精确获取，且轮胎、悬挂等非线性因素在仿真中简化了。此外，极端物理异常值（如重型卡车拖挂）需要少样本微调，真正的"零样本"还有距离。但方向是对的：把"隐含的动力学绑定"拆成"显式的物理条件"，是让端到端模型真正可迁移的第一步。