Less is More！Max-V1：面向自动驾驶精巧而强大的视觉-语言模型（复旦&中科院）

主要观点总结

本文提出了一种名为Max-V1的自动驾驶框架，该框架利用视觉-语言模型（VLM）进行轨迹规划。通过统计建模和特定的任务损失函数设计，实现了高效的自动驾驶系统。文章详细介绍了模型的架构、算法设计、实验和局限性，展示了在nuScenes数据集上的优异性能。核心思想是通过自回归方式预测轨迹的下一waypoint，并利用紧凑的特殊令牌代替冗长的字符串表示，显著减少了训练和推理过程中的令牌消耗和计算开销。

关键观点总结

关键观点1: Max-V1框架的设计原则

通过系统性的统计建模，推导出适合自动驾驶任务的监督信号；采用单次生成的方式，避免繁琐的迭代优化过程；轻量级输入设计，仅依赖前视摄像头信息。

关键观点2: 模型的性能表现

在nuScenes数据集上取得了当前最优的性能，相较于先前基线模型整体提升超过30%；展现出强大的跨域泛化潜力，在来自不同车辆平台的数据集上表现出良好的性能。

关键观点3: 模型的局限性及未来研究方向

数据规模和多样性的挑战；推理效率的提升；缺乏可解释性；超越模仿学习，引入强化学习以增强模型发现更优驾驶策略的能力。