📄 论文信息

  • 标题：AutoVLA: A Vision-Language-Action Model for End-to-End Autonomous Driving with Adaptive Reasoning and Reinforcement Fine-Tuning
  • 团队：UCLA（Zewei Zhou, Tianhui Cai, Bolei Zhou, Jiaqi Ma 等）
  • 发表：NeurIPS 2025，arXiv:2506.13757
  • 代码：github.com/ucla-mobility/AutoVLA
  • 一句话总结：把「推理」和「动作」统一进一个自回归 VLM——轨迹被离散化成可行动作 token，简单场景快思考直出轨迹，复杂场景慢思考先 CoT 再出轨迹，最后用 GRPO 把简单场景里多余的推理「省掉」。

整体框架

AutoVLA 框架

图：AutoVLA 把视觉、语言、动作三个空间统一到一套自回归生成里。轨迹经 codebook 离散成动作 token，与文本 token、视觉 token 一起被 LLM 生成；推理 token 可选出现（快慢思考切换）。

🤔 要解决什么问题？

VLA 模型用于自动驾驶有三个通病，AutoVLA 逐一对症下药：

痛点表现AutoVLA 的解法
动作不可行VLM 直接生成「左转 30 度」这种自然语言动作，常物理不可执行把连续轨迹 token 化成离散、可行的动作 token（codebook 约束）
结构复杂推理模块、规划模块各管各的，流水线长推理与动作统一进同一个自回归模型，一次生成
推理太长每个场景都走一遍长 CoT，实时性差双思考模式 + GRPO 微调，简单场景跳过推理

核心洞察是：不是每个场景都需要深思熟虑。直行、跟车这种简单场景，直接出轨迹就好；只有施工区、非常规博弈才需要 CoT 推理。AutoVLA 想让模型「自适应」决定想不想。

💡 核心创新一：物理动作 token 化（Action Tokenization）

这是 AutoVLA 能「直接生成轨迹」的基石。它借鉴 VQ-VAE / 轨迹聚类思路，预先用一个 codebook（动作码本） 把训练集里的真实轨迹聚成 K 个「可行动作原型」。

  • 连续轨迹（比如未来 8 个时刻的 x/y/θ）被量化成 codebook 里最近的那个离散 token id；
  • 推理时模型自回归生成的就是这些动作 token，再经 codebook 查表反量化回连续轨迹；
  • 因为 codebook 里的每个原型都来自真实人类驾驶，生成的轨迹天然物理可行，避免了「语言式动作」不可执行的问题。

关键判断：把动作变成词表里的 token，VLA 就既能「说话」也能「开车」。这和 OpenVLA / FAST tokenizer 的离散化思路一脉相承，但 AutoVLA 强调 codebook 必须保证「可行」（feasible），不是任意分箱。

💡 核心创新二：快慢思考双模式（Dual Thinking）

AutoVLA 用**有监督微调（SFT）**让同一个模型学会两种「性格」：

  • 快思考（Fast Thinking）：输入图像 + 指令，直接自回归生成动作 token 序列，不出任何推理文字。适合大多数常规场景，延迟低。
  • 慢思考（Slow Thinking）：先生成一段链式推理（CoT） token（描述场景、关键物体、意图、最佳动作），再生成动作 token。适合长尾、歧义、需要反事实推理的复杂场景。

训练数据里同时有「轨迹-only」样本和「CoT + 轨迹」样本，模型在 SFT 阶段就把两种模式都学到了。推理时由一个简单的路由策略决定走哪条：复杂场景触发慢思考，简单场景走快思考。

💡 核心创新三：GRPO 强化微调（Reinforcement Fine-Tuning）

光有双模式还不够——模型可能「不管简不简单都慢慢想」，推理又长又慢。AutoVLA 引入基于 GRPO（Group Relative Policy Optimization） 的强化微调来「逼」模型在简单场景少想：

  • 对每个 prompt 采样一组轨迹（含/不含 CoT），用可验证的奖励（如轨迹是否安全、PDMS 高低、是否多余推理）打分；
  • GRPO 不依赖一个独立 critic，而是用同一组样本内的相对优劣做基线，稳定且省显存；
  • 奖励函数同时鼓励「规划准」和「推理省」：简单场景里若模型硬走慢思考，会被扣分；复杂场景走快思考导致出错，也会被扣分。

这样训练出的模型学会了自适应推理——只在值得的场景才展开 CoT。

这和同在博客里的 AlphaDrive / Flow-GRPO 是同一类技术（GRPO 用于驾驶策略对齐），说明 GRPO 已成为自动驾驶 VLA 后训练的事实标准之一。

🧠 与 DriveVLA-W0 / DriveVLM 的对比

维度AutoVLA（UCLA）DriveVLM（SJTU×NIO）DriveVLA-W0（CASIA×蔚来）
推理形式自适应快慢思考（CoT 可选）显式语言 CoT（描述/分析/提取/推理）隐式预测式（世界模型预测未来）
动作生成离散动作 token（codebook）高层决策指导快系统出轨迹连续（Query/AR/Flow Matching）
监督密度稀疏（动作 + 可选 CoT）稀疏（决策/动作）稠密（未来图像）
关键训练SFT 双模式 + GRPO 微调常规 SFT两阶段 + 世界模型稠密监督
传感器多相机（3 cam）多相机单目前视
NAVSIM v1 PDMS89.1 / 92.1（+锚点）—93.0（AR）

三者代表 VLA 自动驾驶的三种「如何理解世界」的哲学：AutoVLA 用语言推理的可解释性 + GRPO 效率；DriveVLM 用显式 CoT；DriveVLA-W0 用稠密世界模型把监督密度拉满。AutoVLA 是 NAVSIM 上 VLA 路线的代表基线，DriveVLA-W0 论文的主要对比对象就是它。

🧪 实验与结果

AutoVLA 在 nuPlan、nuScenes、Waymo、CARLA 四个真实/仿真基准上做了开环与闭环评测，跨数据集证明泛化。

NAVSIM v1 榜单（VLA 路线代表）：

方法传感器PDMS ↑
UniAD6 cam83.4
DiffusionDrive3 cam + L88.1
AutoVLA3 cam89.1
AutoVLA + 锚点3 cam92.1
DriveVLA-W0（AR）1 cam93.0

几个关键发现：

  1. 动作 token 化有效：相比直接生成语言动作，codebook 量化后的轨迹在可行性和安全性上明显更好（碰撞率下降）。
  2. 慢思考在长尾场景立功：在需要博弈、施工的困难场景下，带 CoT 的慢思考 PDMS 显著高于快思考；常规场景两者持平。
  3. GRPO 微调既提分又提速：强化微调后，模型在简单场景自动走快思考，平均推理 token 数下降，端到端延迟降低，同时规划指标不降反升。
  4. 闭环也 work：在 CARLA 闭环里，AutoVLA 能处理动态交互，说明「自适应推理」不只服务于开环指标。

📝 个人思考

AutoVLA 最值得借鉴的是**「推理不该是免费的」这一工程直觉。很多 VLA 工作默认「越多推理越好」，AutoVLA 用 GRPO 把推理变成一种可开关、有成本**的资源——这其实和人类驾驶一致：大部分时间靠直觉（快思考），只有陌生场景才认真分析（慢思考）。对车端部署，这种自适应比「永远深思」现实得多。

不过它和 DriveVLA-W0 暴露了 VLA 路线的同一个软肋：监督仍然偏稀疏。AutoVLA 的监督是「动作 token + 可选 CoT」，没有世界模型那种每像素稠密信号；所以它 PDMS 上限（92.1+锚点）略低于 DriveVLA-W0 的 93.0，且依赖多相机。我个人判断：AutoVLA 的「自适应推理」与 DriveVLA-W0 的「稠密世界模型」并非互斥——前者管「想不想想、怎么想」，后者管「监督够不够密」。未来若把 GRPO 自适应推理接到世界模型稠密监督上，可能同时拿到可解释性、效率与上限。这恰好是博客里三条 VLA 主线的交汇点。

另外，codebook 动作 token 化带来的量化误差和 DriveVLA-W0 里 AR 解码器小数据掉点如出一辙——说明「离散动作」与「连续动作」的优劣之争，本质是数据规模与表达力的权衡，和 DriveVLA-W0 发现的「解码器随数据规模反转」是同一个规律。

🔗 延伸阅读

工作团队与 AutoVLA 的关系
DriveVLMSJTU × NIO显式语言 CoT 路线，AutoVLA 慢思考的思想来源之一
DriveVLA-W0CASIA × 蔚来稠密世界模型路线，NAVSIM 主要对比对象，PDMS 更高
AlphaDrive—GRPO 用于驾驶策略对齐，同属强化微调范式
Flow-GRPO—流匹配 + GRPO 驾驶策略，强化微调的另一实现
OpenDriveVLA—结构化视觉-语言 token 自回归出轨迹，动作 token 化同类
UniADShanghai AI LabBEV 端到端范式，AutoVLA 的超越对象

📖 这是 VLA 自动驾驶系列的又一篇。AutoVLA（自适应推理）与 DriveVLA-W0（稠密世界模型）看似两条路，实则都在回答「怎么让大模型既懂世界、又开得动」——欢迎留言讨论哪条更适合车端。