QwenDrive基于4B VLM输出6条候选轨迹 构建模块化驾驶策略底座

阿里推出的Qwen-Drive并非端到端自动驾驶系统，而是基于Qwen3.5-4B视觉语言模型（VLM）构建的模块化驾驶策略底座。其核心设计为任务入口分离：共享VLM主干同时支撑问答、BEV感知与规划三个并行任务，其中规划专家直接利用主干提取的场景表征，结合历史位姿（16帧/1.5秒）、导航指令（二进制编码）及车辆动力学约束，生成未来轨迹，无需依赖BEV中间结果。输出为默认6条候选轨迹，每条含50个时间点（10Hz下5秒），格式为[x, y, heading]三维张量，单位为米与弧度，坐标系为当前自车原点。值得注意的是，系统不进行轨迹优选，`result.trajectory`仅取首条候选，下游需自行实现选择逻辑；采样具确定性，第k条对应随机种子`seed + k`，复现实验需同步记录seed与索引.训练分四阶段：先预训练视觉编码器与VLM主干，再固定主干联合训练BEV头，随后冻结主干仅更新规划专家并引入轨迹监督，最后通过奖励优化微调规划模块；全程未使用仿真或真实路测数据，聚焦接口规范与结构设计.该底座强调可解释性与可集成性，降低研究门槛，推动自动驾驶研发从‘造轮子’转向‘搭积木’模式，但落地仍需下游协同完成轨迹筛选、控制对接与跨平台一致性保障。