陈龙小米智驾收官之作！OneVL将单步轨迹预测延迟压至0.24秒

智猩猩AI整理

编辑：知知

小米智驾核心人物陈龙，正在开启职业生涯的新篇章。

2025年3月，陈龙加入小米，负责辅助驾驶 VLA 技术研发，随后担任小米汽车主任科学家，主导具身基座大模型 Xiaomi MiMo-Embodied 的研发，并推动 XLA 认知大模型落地量产。2026年3月，XLA 随新一代小米 SU7 正式发布，将大模型的语义理解与推理能力进一步引入辅助驾驶。

而在离开小米、奔赴创业之际，陈龙参与的一项研究也有了新进展：OneVL 已被 NeurIPS 2026 接收。

车辆面对行人过街、临时车道或拥挤路口时，需要及时给出轨迹。模型为什么选择让行、转弯或保持车道，也关系到后续分析与调试。完整推理文本容易检查，却会增加生成时间；直接预测轨迹更快，中间判断又不容易观察。

OneVL 将语言与未来画面用于训练紧凑的潜在表示，并允许在需要时恢复这两类解释。论文还探索了一个 MLP 轨迹预测版本，在 NAVSIM 上达到 0.24 秒延迟、86.83 的 PDM-score。这是一项面向低延迟预测的实验结果，语言解释和未来画面的按需生成属于另外的调用过程。

01

路线选择，需要和场景中

的对象对应起来

在一个转弯场景中，模型需要判断可行驶区域怎样延伸，车辆是否靠近道路边界，以及转向后会看到什么。只给出一个方向词，无法说明这些判断是否一致。

OneVL 的原论文将前视图、鸟瞰图、语言解释和预测后续画面放在同一个例子中。绿色与红色分别表示真实参考轨迹和模型预测轨迹，可以观察路线偏差发生在哪个位置。

项目主页的 NAVSIM 日志演示进一步展示了道路画面和鸟瞰预测随记录场景变化的情况。它们提供的是预测可视化，适合检查空间关系与轨迹变化。

02

临时道路条件，会增加

哪些判断要求？

施工路段可能用交通锥改变车道边界，临时标志也可能要求车辆偏离常规路线。模型需要把这些局部条件与规划结合，不能只依赖熟悉的道路外观。

论文的 ROADWork 评测专门覆盖施工区域。OneVL 的平均位移误差为12.49像素，显式思维链基线为13.18像素。定性例子还展示了预测画面与文字解释中的施工线索，帮助观察模型怎样理解临时可行驶区域。

这些例子适合用于分析：轨迹有没有进入不合适的位置，语言解释是否提到决定路线的条件，预测画面是否保留了相关对象。把几种输出放在一起，能够提出更具体的检查问题。

03

行人过街：解释应当能与

预测内容一起检查

Alpamayo-R1 的一个例子中，论文给出的语言解释指向前方行人过街的让行需求。对应画面展示了参考轨迹、模型轨迹和两幅预测后续视野。

“模型能够生成让行解释”与“系统已在真实交通中完成可靠让行”是不同层面的结果。这里的图像和语言输出用于理解、评估模型的预测，不足以单独证明实际驾驶系统的安全表现。

夜间复杂场景也提供了另一种检查条件。光照变化会影响目标和道路线索的可见性，语言中的驾驶意图是否与图像及轨迹一致，需要结合这些输出分析。

04

训练时学习解释，预测轨迹时

减少额外生成

OneVL 在视觉-语言-动作模型 (Vision-Language-Action Model, VLA) 中引入视觉与语言潜在位置。主模型读取当前图像、自车状态、导航命令和历史轨迹；视觉辅助解码器学习预测 0.5 秒、1.0 秒之后的画面，语言辅助解码器学习恢复推理文字。

标准推理路径可以不调用这两个辅助解码器。潜在 token 在预填充 (Prefill) 阶段并行处理，模型随后只生成轨迹答案。文字和视觉解释则可以在分析时按需生成。

这样，解释所提供的监督可以参与训练，而不必要求每次轨迹预测都先写完一段推理文本。需要说明的是，标准 OneVL 的轨迹仍是自回归 (Autoregressive, AR) 解码；减少了推理文本开销，并没有消除轨迹输出本身的顺序生成成本。

05

0.24 秒对应怎样的质量

与效率取舍？

为了进一步缩短轨迹输出时间，论文将一个多层感知机 (Multi-Layer Perceptron, MLP) 预测头接到最后一个潜在位置的隐藏状态上，直接回归未来轨迹。

在 NAVSIM 测试中，MLP 版本的 PDM-score 为 86.83，延迟为 0.24 秒；标准自回归版本分别为 88.84 和 4.46 秒。按论文报告的测量，MLP 版本约为 4.16 Hz，延迟约为自回归版本的 5.4%。

这张表给出的是具体的模型选择：一个版本保留更高的规划分数，另一个以较低分数换取更短的预测时间。0.24 秒与 88.84 不能作为同一版本的成绩。实际系统中的传感器、其他模型和控制执行还会影响整体延迟，因此车载表现需要结合系统条件验证。

PDM-score 也不等同于实际道路中的事故率。它是在 NAVSIM 的非反应式评测协议下形成的综合规划指标，与真实交通参与者交互的闭环测试仍有不同。

06

可读的解释，也有

自己的质量差距

OneVL 的语言解释评测基于 500 个 NAVSIM 测试样本，检查驾驶意图、语义相似性与模型裁判评分。三个维度的平均分为 76.13，高于 SIM-CoT 的74.06，低于显式思维链的78.27。

这个结果说明，压缩后的表示可以恢复具有参考价值的解释，但仍需要检查解释是否贴合当前场景。语言内容、未来画面与轨迹相互一致，是有用的诊断线索；它们并不自动构成经过验证的因果说明。

视觉解释的质量又与训练安排有关。OneVL先建立轨迹与潜在表示，再让辅助解码器适应稳定状态，最后联合优化。省略分阶段训练时，NAVSIM 的PDM-score从88.84降到67.13，说明形成有效表示需要相应的训练过程。

07

在日志中检查路线，也为

后续系统研究提供依据

狭窄街道、路边停放车辆与转弯路口，都可以通过前视画面和鸟瞰预测进一步分析。原论文附录中的例子保留了参考轨迹、模型轨迹、后续画面和语言输出，便于在同一场景中核对这些信息。

OneVL 展示了一种把规划效率与解释监督连接起来的方法：训练时让隐藏状态学习可读的语言内容和未来视觉变化，运行时根据需要选择轨迹输出方式与解释调用。它的研究价值既在于四项基准上的规划改进，也在于将表示质量、预测时间和解释能力放进同一个可以检查的框架。训练资源开销、复杂交互和实际系统验证，仍是继续推进这套方法时需要考虑的部分。

关注+星标，获取AI前沿进展与开源一线动态