Qwen-Drive4B级VLM驾驶策略底座解析，候选轨迹输出与任务入口分离设计

通向自动驾驶的路径正在从‘端到端黑盒’转向‘可解释、可拆解、可集成’的模块化架构。阿里推出的Qwen-Drive正是这一趋势的典型代表——它并非一个能直接控制车辆的完整系统，而是一个以4B参数量视觉语言模型（VLM）为共享主干、任务入口明确分离的驾驶策略底座。理解其真实能力边界与接口设计逻辑，对研究者与工程团队的接入决策至关重要。

如图1所示，Qwen3.5-4B作为共享VLM主干，同时支撑三个并行任务入口：问答入口输出文本回答，BEV感知头输出检测/占用/地图分割结果，而规划专家则负责生成未来自车轨迹。关键在于，这三个任务并非串行依赖关系，而是共享主干特征后各自独立运行。这意味着，规划模块并不需要先读取BEV感知的检测框或栅格图；它直接接收主干提取的场景表征，结合历史运动状态（位姿、速度、加速度）、导航指令与车辆动力学约束，由专用的“规划专家”网络生成轨迹。

这一设计显著区别于常见的‘相机→BEV→规划’流水线。若仅部署BEV服务，无法自动获得规划能力；反之，若仅调用规划接口，也无需等待完整的感知输出。这种解耦提升了系统灵活性：研究者可单独验证规划模块在给定场景表征下的行为，而不必耦合感知误差；产品团队也可根据算力分配，动态启用或关闭某类任务。

Qwen-Drive的输出形式是其工程定位的另一关键线索。官方定义的QwenDriveOutput.trajectories为三维张量：[num_samples, num_future_points, 3]，其中每条轨迹包含50个未来点（对应10Hz下5秒预测），每个点为(x, y, heading)三元组，单位分别为米与弧度，坐标系为当前自车原点（x向前，y向左）。默认num_samples=6，即一次调用返回6条候选轨迹，而非6辆车或6个时间切片。

值得注意的是，公开接口中存在一个单数属性result.trajectory，其源码实现仅为return self.trajectories[0]——它仅取出第一条候选，并未进行任何置信度评估或排序。这明确传递了一个信号：Qwen-Drive本身不负责从候选中选择最优解。下游系统若需“最佳轨迹”，必须自行实现选择逻辑（如基于碰撞风险、舒适性、道路合规性等指标），并清晰标注所依据的评判标准。将数组索引顺序误认为置信度排名，是接入时常见且危险的误解。

更进一步，采样过程具有确定性：第k条候选对应随机种子seed + k。若仅保存轨迹图像而未记录原始seed与索引，将无法复现相同采样条件下的其他候选，也无法进行公平的消融实验。这要求接入方在日志中同步保存基础seed与候选索引，尤其在需要对比多条轨迹差异的研究场景中。

此外，输出轨迹为绝对位姿（非增量），且已由包装层完成反归一化。消费该输出时，若再施加额外尺度变换，将导致物理意义失真。例如，将heading弧度误作角度处理，会使转向方向与幅度完全错误；将位姿累加为增量，则整条路径将严重偏移。这些细节虽微小，却直接决定下游模块能否正确解读数据。

输入协议的设计同样体现其工程严谨性。如图2所示，Qwen-Drive要求输入按相机视角与时间戳严格对齐：前视、左前、右前等视角图像需按协议顺序排列；历史运动状态需提供至少1.5秒（16点×0.1s）的轨迹历史；导航指令采用二进制编码（如[0,1,0,0]表示左转）。特别地，车辆自身状态（如当前速度、方向盘角）与导航目标共同构成规划的上下文，而非仅依赖视觉输入。这表明模型具备对“自我状态”的显式建模能力，符合高阶自动驾驶对状态感知闭环的要求。

阶段2：联合训练视觉编码器与VLM主干，BEV头暂未参与；
阶段3：固定主干与BEV头，仅更新规划专家，引入轨迹监督信号；
阶段4：进一步冻结主干，对规划专家进行奖励优化（如RL版推理或SFT直接推理）。

整个流程中，无重训练、无仿真车辆、无真实路测数据介入。论文与代码均聚焦于模型结构与接口规范，而非端到端闭环性能。这一定位使其更适合作为策略生成模块嵌入更大系统，而非独立驾驶系统。

这种“底座”式设计反映了当前大模型驱动自动驾驶的务实路径：避免用单一模型承担全部感知-决策-控制链路，转而构建可插拔、可验证、可组合的功能模块。4B级VLM在此扮演“认知中枢”角色——理解场景语义、关联历史与目标、生成多种可行方案；而具体执行、筛选与控制仍交由下游专业模块完成。

对行业而言，Qwen-Drive的价值不在于宣称“会开车”，而在于提供了一套清晰、开放、可复现的策略生成接口标准。它降低了研究门槛：开发者无需从零训练大模型，即可调用标准化的候选轨迹生成能力；同时提高了系统透明度：因任务入口分离，各模块可独立迭代与测试。

当然，这也意味着其落地仍需大量工程整合工作。例如，如何将6条候选轨迹与车辆控制器对接？如何设计轻量级但有效的轨迹选择器？如何保证不同硬件平台下采样的数值一致性？这些问题的答案不在Qwen-Drive本身，而在下游系统的协同设计中。

随着更多类似底座模型开源，自动驾驶研发正从“造轮子”转向“搭积木”。Qwen-Drive的出现，为这一转变提供了关键拼图：一个定义清晰、边界明确、可被安全集成的4B级VLM驾驶策略生成模块。