VLA自动驾驶范式可以分成基于模仿学习和基于模拟器强化学习两类

基于模仿学习的VLA自动驾驶范式（上图a所示）

• 优势：
• 可以借助VLM模型出色的视觉信息及关联语义对复杂场景进行理解和分析，完成自动驾驶中的感知及决策任务
• 劣势：
• 驾驶场景复杂多样，模仿学习易受限于数据集中所记录的行为，难以应对未录入数据集的新状况或特殊情形

基于模拟器强化学习的VLA自动驾驶范式（上图b所示）

• 优势：
• 与仅能复制专家行为的模仿学习不同，强化学习使模型能够在模拟器的反馈循环中主动探索驾驶行为，并通过不断迭代优化，最终生成更安全、更稳定、更舒适的驾驶轨迹
• 劣势：
• 仿真环境虽然可以尽可能地模拟真实世界，但两者之间仍然存在差异。导致模型在模拟器中学习到的策略，在实际的真实场景中可能无法很好地适用，影响其泛化能力和实际性能
• 运行模拟器以及进行强化学习等训练操作，都需要消耗大量的计算资源，增加了计算成本，限制了其大规模应用和快速发展

以上是个人在阅读论文过程中的内容总结，欢迎各位大佬补充～

如果有打算投递自动驾驶感知或者端到端算法的同学们，推荐一下我这半年以来精心制作的《智驾算法一站式求职专栏》，目前共有47篇文章，2.5w人学习，110+订阅，后续也会不断更新和完善，早订阅早学习，赢在求职的起跑线上！

《智驾算法一站式求职专栏》涵盖了互联网大厂从简历制作保姆级教程 -> 大厂在线ACM笔试准备 -> 感知/端到端算法面经（附参考答案） -> 论文成果、科研项目、实习工作包装话术 -> 面试高频手撕代码各个环节，真正意义上做到了一站式求职，同时文章质量也是杠杠有保证！

📚 专栏订阅链接：https://www.nowcoder.com/creation/manager/columnDetail/Mgbxvn

《智驾算法一站式求职专栏》大纲一览⭐⭐⭐

专栏订阅链接：https://www.nowcoder.com/creation/manager/columnDetail/Mgbxvn