从表征互补到双重系统:协同 VLM 与纯视觉骨干网络实现端到端自动驾驶
该论文研究了视觉语言动作(VLA)驱动中,经过策略学习后的视觉语言模型(VLM)与纯视觉编码器在表征上的差异及其对规划的影响。研究对比了 InternVL3、Qwen3VL 等 VLM 家族与 ResNet、ViT、EVA-CLIP 等标准纯视觉编码器,发现两者在简单几何主导场景中各有优势,且存在行为上显著不同的制动和路径选择倾向。
推荐理由:该研究通过对比 VLM 与纯视觉骨干网络,揭示了两者在规划任务中的互补性,并提出混合与双系统架构以提升端到端驾驶性能。