如何在NAVSIM刷到PDMS 90分以上

引言

NAVSIM 排行榜的竞争已经到了白热化阶段。从最初的 80 分出头到现在的 94.5 分（CLOVER），短短两年时间，顶尖方案的 PDMS 提升了 15 个点。如果你正在读这篇文章，大概率是两种人：一是想在排行榜上刷个高分的选手，二是研究自动驾驶规划、想理解 Scoring-based 范式演进方向的研究者。

这篇文章不讲虚的，直接切入正题：到底怎么才能在 NAVSIM 上把 PDMS 刷到 90 分？

我会结合 NAVSIM 排行榜上所有公开的高分方案（CLOVER、CLEAR、DriveFuture、Hydra-MDP 以及各种 VLA + RL 方案），从 PDMS 公式的数学结构出发，逐层拆解每个分数段的瓶颈和对应的策略。第十一章是一份 2026-10 增补的 EP 增益方法论深度调研——逐篇核对了最近两年把 EP 从 79 抬到 91+ 的五大流派（打分选择/多教师蒸馏/强化学习/世界模型/几何正则）与三条补充杠杆（MoE 路由/多智能体数据/数据规模），收录约 40 个方法的子指标时间线，回答"最近一年 PDMS 的涨幅是不是主要来自 EP"这个命题。

先给个核心结论：PDMS 90+ 的秘密不在于模型多强大，而在于你是否真正理解了 Scoring 范式的每个环节。

一、PDMS 公式：分数结构决定了优化策略

如果你还不知道 PDMS 怎么算的，那先把这块搞清楚。分数结构本身就在告诉你该优化什么。

1.1 公式结构

记住这个公式：

PDMS = NC × DAC × (5·EP + 5·TTC + 2·C) / 12

这里最应该引起你注意的是乘性结构：NC 和 DAC 是乘法项，意味着任何一个为零，整体分数直接归零。这不是简单的加减法，这是一个"安全第一，前进第二"的奖励结构。

加性部分是 (5·EP + 5·TTC + 2·C) / 12，EP 和 TTC 各占 5 份权重，C 只占 2 份。

1.2 每个子指标的含义

NC（No Collision，无责碰撞）：取值为 {0, 0.5, 1}。0 代表有责碰撞，整段分数归零；0.5 代表无责碰撞（被追尾等）；1 代表无碰撞。这是最严苛的惩罚——一次碰撞就毁掉整段得分。

DAC（Drivable Area Compliance，可行驶区域合规）：取值为 {0, 1}。只要主车任何时刻压在不可行驶区域上，整段得分为零。

EP（Ego Progression，主车前进量）：连续值 [0, 1]。衡量主车在该场景下相对基准前进量的完成比例。这是一个连续指标，也是高分段唯一能持续优化的指标。

TTC（Time to Collision，碰撞时间）：离散值 {0, 1}。只要某个时刻 TTC 低于阈值，得分为零。

C（Comfort，舒适度）：离散值 {0, 1}。急加速、急刹车、急转向都会导致舒适度归零。

1.3 分数的"阶梯结构"

这个公式透露了一个重大信息：分数增长不是线性的，有明确的台阶。

低分段（< 80）：你在解决 NC、DAC 等"会开车"的问题。 中分段（80-88）：你在解决 TTC、C 等"安全舒适开车"的问题。 高分段（88-92）：你在解决 EP 从 0.8 到 0.9 的问题。 顶尖分段（92+）：你在解决 EP 从 0.9 到 0.95 的"最后一公里"问题。

每上一个台阶，你需要优化的目标就换一个。如果你还在 85 分徘徊，却去研究 EP 的细节优化，那是白费功夫。

1.4 用量化分析理解每个子指标的权重

为了更直观地理解不同子指标的优化价值，我们来做一些简单的量化分析。

假设你在 85 分水平（NC=1, DAC=1, TTC=1, C=1, EP=0.7），PDMS = 1×1×(5×0.7+5×1+2×1)/12 = (3.5+5+2)/12 = 10.5/12 × 100 = 87.5。

如果花精力优化 NC 从 1 到 1（已经到顶），收益 0。 如果花精力优化 TTC（已经到顶），收益 0。 如果花精力把 C 从 1 优化到 1（已经到顶），收益 0。 唯一能优化的是 EP。把 EP 从 0.7 提升到 0.85，PDMS = (5×0.85+5+2)/12 = (4.25+5+2)/12 = 11.25/12 × 100 = 93.75。

这看似很大，但不要忘记：这个计算假设 NC、DAC、TTC、C 全部满分。如果你的实际分数中有任何安全指标不是满分，优化安全指标的收益远大于优化 EP。

举个例子：如果你 NC=0.5（有一次无责碰撞），DAC=1，TTC=1，C=1，EP=0.95。PDMS = 0.5 × (5×0.95+5+2)/12 = 0.5 × 11.75/12 × 100 = 48.96。

看到没？一次无责碰撞就让 94 分变成 49 分。这就是乘性惩罚的威力。

所以优化的优先级应该是：

1. NC → 1（乘性，直接影响整体）
2. DAC → 1（乘性，直接影响整体）
3. TTC → 1（权重 5，离散）
4. C → 1（权重 2，离散）
5. EP → max（权重 5，连续，最后优化）

每个层次都理解你当前的瓶颈，才能做最有针对性的改进。

二、分数段深度分析：你的分数对应什么水平？

2.1 PDMS < 80：还不会"正常开车"

这个阶段的表现：频繁碰撞、经常出车道、EP 接近于零。模型本质上还没有学会驾驶行为的基本模式。

解决策略：

这个阶段不要想什么花哨的方法。唯一需要做的是：做好 SFT（模仿学习）。

具体来说：

• 使用 NAVSIM 官方提供的 Navtrain 数据集（74k 场景 × 8s）
• 用人类专家的驾驶日志做行为克隆
• 重点关注碰撞率和可行驶区域合规率

关键经验：不要在第一个阶段就上 Scoring-based。Scoring-based 的核心假设是你的候选轨迹里有一条或多条是"好"的——但如果模型连基本的驾驶行为都没学会，候选轨迹全是垃圾，打分器只能"从垃圾里选一个没那么垃圾的"。

这个阶段的目标很简单：让模型输出的轨迹 τ 至少和训练集中的专家轨迹在分布上相似。

实操技巧：

• 使用简单的 MSE Loss 或 L1 Loss 做轨迹回归
• 在碰撞场景上做数据增强（加噪声、随机裁剪等）
• 先在小验证集上确认碰撞率降到 5% 以下再考虑下一步

预期结果：PDMS 75-82，碰撞率显著下降，EP 达到 0.5-0.7。

2.2 80 ≤ PDMS < 88：Scoring-based 的主战场

这个阶段是最经典的 Scoring-based 范式能发挥最大作用的区间。你的模型已经会开车了，但还不怎么安全——偶尔碰撞、EP 中等、舒适度波动大。

解决策略：

切换到 Generator-Scorer 架构。

核心思路：

1. Generator：生成 K 条候选轨迹（通常 K=6-12）
2. Scorer：为每条候选轨迹打分
3. Selection：选择分数最高的轨迹作为输出

这个阶段的优化重点：先搞定安全指标（NC、DAC、TTC、C）。

为什么？因为安全指标是离散的、乘性的，它们的优化回报远高于 EP。你花大量精力把 EP 从 0.75 提升到 0.80，还不如把碰撞率从 5% 降到 1% 的收益大。

Scorer 训练关键：

• 使用 NAVSIM scorer 作为 teacher（监督信号）
• 输入：场景上下文 + 候选轨迹
• 输出：分数（最大熵分类或回归）
• 损失函数：Binary Cross Entropy

常见陷阱：

• 打分器过拟合到训练场景。验证集上分数很高，但测试（navtest）上性能差。
• 候选轨迹退化。如果 Generator 生成的所有轨迹都差不多，打分器再强也没用。
• EP-CAV 差距。EP 分数高 ≠ 候选轨迹覆盖了所有合理的驾驶策略。

预期结果：PDMS 82-88，安全指标基本拉满，EP 达到 0.75-0.85。

2.2.1 Scoring-based 的 Generator 设计细节

Generator 的设计直接决定了候选轨迹的质量和多样性。我来深入拆解几种主流 Generator 的设计：

CVAE-based Generator

条件变分自编码器是最常见的 Generator 架构。训练时学习一个条件分布 p(τ|x)，其中 τ 是轨迹，x 是场景上下文。推理时从潜变量 z ~ N(0, I) 采样，解码生成轨迹。

场景编码 => 潜变量 z 采样 => 轨迹解码

优点：训练稳定，可以通过调整 z 的采样数目来控制候选数量。 缺点：生成的轨迹多样性有限，容易收敛到平均值（mode collapse）。

Anchor-based Generator

预先定义一组"锚点轨迹"（比如左转、直行、右转、减速等），然后基于场景上下文对这些锚点做偏移修正。

预定义 K 个 Anchor 轨迹 => 对每个 Anchor 预测偏移量 => K 条候选轨迹

优点：多样性有保证（只要 Anchor 覆盖了主要驾驶模式），训练稳定。 缺点：Anchor 的设计需要手工经验，可能遗漏某些模式。

Diffusion-based Generator

使用扩散模型直接生成轨迹。扩散模型天然支持多模态生成，通过随机噪声采样可以得到多样化的轨迹。

场景编码 => 初始噪声 => 多步去噪 (t=T to t=0) => 候选轨迹

优点：生成质量高，多样性好，覆盖了训练数据的完整分布。 缺点：推理计算量大（需要多步去噪），训练不如 CVAE 稳定。

我的建议：从 CVAE 开始（最简单），效果不够再用 Diffusion。Anchor-based 不适合做高分段（固定 Anchor 限制了上限）。

2.2.2 候选数量的选择

候选数量 K 的选择直接影响最终分数。太小了覆盖不够，太大了打分器负担重且可能存在噪声。

在实际实验中，K=12 是一个很好的 trade-off。从 6 提升到 12 收益最大，从 12 提升到 32 收益递减。

但要注意：K 的增加会降低推理速度（因为打分器需要对 K 条轨迹都做评估）。权衡速度和分数，K=12 是推荐的默认值。

2.3 88 ≤ PDMS < 92：候选质量决定上限

到了这个阶段，你会发现安全指标（NC、DAC、TTC、C）已经基本满分了，但 PDMS 就是上不去 90。问题出在EP 和候选质量上。

关键洞察：打分器再强也救不了烂候选。

这个阶段你需要做两件事：

第一，提升候选轨迹的多样性。

如果你的 Generator 生成的所有候选轨迹都是"直行"，那在"需要让行/绕行/减速"的场景里，打分器即使知道该怎么做，也没有合适的候选可以选。

怎么提升多样性？

• 增加候选轨迹数量 K（比如从 6 提升到 12）
• 在 Generator 中使用 Diverse Sampling（如 CVAE + 多个潜变量）
• 使用 Diffusion/Flow 模型做生成（天然的多模态能力）

第二，引入蒸馏机制。

这是从 88 到 92 的关键一步。核心想法：用打分器来训练 Generator。

打分器知道什么是好的轨迹（分数高），但 Generator 不知道怎么生成"高分轨迹"。蒸馏就是让 Generator 学习生成打分器认为好的轨迹。

具体做法：

1. 对每个场景，用 Generator 生成 K 条候选轨迹
2. 用打分器对每条轨迹打分
3. 选最高分的轨迹作为"伪标签"
4. 用这个伪标签训练 Generator

这个蒸馏过程可以迭代多轮，每次迭代都能提升 Generator 生成高质量候选的能力。

预期结果：PDMS 88-92，EP 达到 0.85-0.93，候选轨迹覆盖大部分合理驾驶策略。

2.4 PDMS ≥ 92：CLOVER 的天地

92 分以上是 CLOVER 的统治区间。这个阶段唯一的瓶颈就是 EP。

当安全指标全部满分、舒适度满分、候选质量足够好时，你的 PDMS ≈ EP。而 EP 的上限取决于：

1. 你选择的参考前进量（reference progression）
2. 你能否让主车在所有场景下都开得"足够快足够远"

EP 的数学定义：EP = min(ego_progression / reference_progression, 1.0)

所以 EP 优化的本质是：在所有场景下，让主车的前进量接近或达到参考值。

但这个参考值本身是保守的（28.0m / 8s in test-hard），所以即使你开得很快，EP 也可能只是 0.9 左右。要达到 0.95+，你需要让主车在几乎每个场景都几乎不走冤枉路。

CLOVER 凭什么能做到 94.5？

• 闭式蒸馏（Closed-form Distillation）：一步到位而非多步迭代
• 同时优化 Generator 和 Scorer：不再固定一端训练另一端
• 数据 + 策略双提升：用排名高的数据做训练

我们下一节详细讲。

三、三大技术路线深度对比

你的资源和技术栈决定了你应该走哪条路。没有放之四海皆准的最优方案。

3.1 路线 A：Scoring-based 范式（CLOVER 为代表）

这是最成熟、最高分、最稳定的路线。

核心思想：将规划问题拆解为"候选生成 + 打分排序"两个阶段。Generator 负责生成多样化的轨迹，Scorer 负责选出最好的。

为什么它统治了排行榜：

• 打分器提供了可解释的安全性保障
• 候选多样性确保了决策空间的覆盖
• 蒸馏机制持续提升候选质量

CLOVER 的关键创新：

全称 Closed-form Distillation for Scoring-based Planning。

传统的蒸馏是"先生成→打分→蒸馏→再生成"的迭代过程，而 CLOVER 提出了一个解析解：直接将打分器的梯度信息传回 Generator，使得 Generator 的更新方向直接与最终分数挂钩。

具体来说：

• 传统的 Scoring-based：Generator 和 Scorer 分开训练，通过蒸馏间接连接
• CLOVER：将 Generator 的输出直接映射到分数空间，端到端优化

这听起来像是一个简单的 trick，但实际上它消除了蒸馏过程中的信息损失。传统蒸馏中，Generator 只会学到"生成最高分的候选"，但不知道为什么某个候选分数高、其他候选差在哪里。

CLOVER 的闭式解让 Generator 学到打分器的完整排序偏好，而不仅仅是一个伪标签的回归。

CLOVER 的训练流程：

1. 初始化 Generator（可以是 SFT 后的模型）
2. 初始化 Scorer（用 NAVSIM scorer 做监督）
3. 闭式蒸馏：联合优化 Generator 和 Scorer
4. 多轮迭代，最终达到收敛

每一轮蒸馏中，Generator 和 Scorer 都在联合优化。Generator 学习生成打分器认为好的轨迹，Scorer 学习更准确地评估这些新生成的轨迹。

CLOVER 的闭式蒸馏伪代码

为了帮助理解闭式蒸馏的核心机制，用伪代码来描述算法流程：

[初始化] G = Generator(随机初始化或SFT预训练) S = Scorer(用NAVSIM scorer预训练)

[闭式蒸馏循环] for epoch in range(N): batch = sample_scenes(navtrain)

// 1. Generator生成候选轨迹
trajectories = G.generate(batch, K=12)

// 2. Scoring打分
scores = S.score(batch, trajectories)   // shape: [B, K]

// 3. 选出最高分候选
best_idx = argmax(scores, dim=-1)       // shape: [B]
best_trajs = gather(trajectories, best_idx)  // shape: [B, T, 2]

// 4. [闭式蒸馏的核心]
//    不直接用best_trajs做MSE回归
//    而是计算所有候选的分数梯度
score_grad = softmax(scores / temperature)  // 分数转换为权重

// Generator损失：按分数权重加权所有候选
// 高分候选贡献大，低分候选贡献小
loss_G = weighted_mse_loss(trajectories, score_grad)

// Scorer损失：GT分数与预估分数的差异
gt_scores = navsim_scorer.score(batch, trajectories)
loss_S = mse_loss(scores, gt_scores)

// 5. 联合更新
G.update(loss_G)
S.update(loss_S)

与传统蒸馏的关键区别：传统蒸馏只选 best_trajs 做回归（把所有信息压缩到一个伪标签），而闭式蒸馏用所有候选的分数梯度来更新 Generator。后者保留了打分器的完整排序信息。

为什么这很重要？

假设一个场景中，候选轨迹 A（EP=0.85）和 C（EP=0.93）的分数差异很小（只有 0.2 分的差距），但候选 B（EP=0.6）的分数明显低。传统蒸馏只会让 Generator 学习生成 A（最高分），而闭式蒸馏会让 Generator 学到"A 和 C 差不多，都值得学习，B 不值得学"。这种细粒度的信息让 Generator 学到的策略更加鲁棒。

为什么 CLOVER 能拿到 94.5：

• 候选覆盖度接近完美：几乎所有场景都有至少一条"好"候选
• 打分器几乎不会选错：充分训练的 Scorer 在验证集上几乎 100% 正确
• EP 极致优化：闭式蒸馏直接优化 EP，而不是间接优化

适合谁：你有计算资源做蒸馏迭代，需要稳定可复现的高分。

3.2 路线 B：扩散/Flow 生成式方法

这条路线的特点是直接生成轨迹分布，不依赖显式的打分器。扩散/Flow 模型天然适合驾驶场景——驾驶行为是多模态的（左转/右转/直行/减速等），扩散模型能很好地建模多模态分布，通过去噪过程控制生成轨迹的质量。

TransDiffuser (94.85 PDMS)

目前 NAVSIM 排行榜上分数最高的方法之一。架构核心是 Transformer 作为扩散模型主干，将场景上下文（道路、交通灯、其他车辆）编码为条件，通过扩散去噪生成轨迹。

关键成功因素：

• 无显式打分器：生成和打分在同一模型中隐式完成，避免了打分器与 Generator 之间的信息损失
• 扩散步数可调：推理时可以通过增加去噪步数来提升生成质量（但牺牲延迟）
• 多样性优秀：扩散模型的随机噪声采样天然生成多样化候选，覆盖不同驾驶策略

TransDiffuser 的消融实验显示：8 步去噪已经足够达到 93+ PDMS，16 步能达到 94.85，但再增加步数收益递减。推理延迟方面，8 步去噪在 A100 上约需 15ms，优于显式 scoring-based 方案的 Generator + 12×Scorer 的总成本（约 30ms）。

但 TransDiffuser 的一个弱点是不擅长处理安全关键的长尾场景：没有显式的安全打分器，模型可能在某些罕见场景下生成不安全的轨迹——因为没有"安全筛选"这道防线。

DiffusionDrive (88.1 PDMS)

虽然分数不如 TransDiffuser 高，但 DiffusionDrive 的思路更具工程可行性：它把扩散过程在轨迹空间内完成，而不是在图像或 feature 空间。这样可以大幅减少扩散模型的参数和计算量。

DiffusionDrive 的架构特点：

• 在 BEV feature 上做条件扩散
• 使用较浅的扩散步数（4-6 步）
• 推理延迟极低（< 5ms）

对于 88.1 这个分数段来说，DiffusionDrive 的效率非常高。但从 88 到 94 的差距说明：纯扩散方法在生成质量的"天花板"上不如 scoring-based 蒸馏——因为扩散模型缺乏显式的质量筛选机制。

Flow-GRPO 的尝试与反思

GRPO（Group Relative Policy Optimization）在扩散模型上的应用是一个有趣的方向。核心思路：不依赖"候选→打分"框架，而是直接在 PDMS 奖励空间下优化扩散模型的生成过程。

[Flow-GRPO 训练流程] 同一场景 => 扩散模型生成 G 条轨迹 => 计算 PDMS 奖励 => 组内标准化得 advantage => 反传梯度更新扩散模型去噪方向

但实测下来，纯 RL + Diffusion 在 NAVSIM 上的效果不如 Scoring-based 蒸馏。原因：

• 稀疏奖励：PDMS 是场景级别奖励，大部分候选的分数差异很小，RL 难学到有效梯度
• 无显式安全约束：RL 优化过程中没有安全筛选机制，可能学到"高风险高分"策略
• 样本效率低：RL 需要大量 rollout 才能收敛，而扩散模型的大推理成本使得每次 rollout 很慢

个人观点：扩散 + RL 这条路线还需要新的训练技巧才能追上 Scoring-based 蒸馏。最有可能的突破方向是将打分器作为扩散模型去噪过程中的 guidance（类似 classifier guidance），而不是用 RL 做后训练。这样既保留了扩散的多模态生成能力，又获得了打分器的安全筛选能力。

扩散路线的优劣势总结

适合谁：你对生成式模型感兴趣，想做创新研究，或者需要多模态生成能力（如变道 vs 直行的多峰轨迹输出）。

3.3 路线 C：VLA + RL 范式（ExploreVLA 为代表）

这条路线的特点是：用大语言模型的推理能力做规划。

为什么用 VLA 做规划：

• 语言模型可以理解复杂的交通规则和社会规范
• 多模态输入（图像、语言指令、地图）可以自然融合
• RL 可以端到端优化驾驶策略

代表方法 ExploreVLA (93.7 PDMS)：

ExploreVLA 的方法论很清晰：

1. 用预训练的视觉语言模型作为基础（VLM backbone）
2. 在 NAVSIM 数据上做模仿学习（行为克隆）
3. 用 RL（PPO/GRPO）做策略优化，直接最大化 PDMS

核心创新：RL 阶段使用 PDMS 分数的可微近似，使得奖励信号可以直接反传到 VLM 的 token logits 中，实现端到端优化。这个 trick 解决了 VLA 做 RL 时的"token 离散性"问题——如果只是用 RL 优化 token 选择概率，奖励信号经过 token 采样后会非常稀疏。而可微 PDMS 评分使得 VLA 的每个 token 位置都能收到梯度信号。

AutoVLA (89.1 PDMS)：

AutoVLA 的思路更激进：完全用 RL 来训练 VLA，不做显式的模仿学习。

方法：

1. 将驾驶轨迹离散化为"driving token"序列
2. 用 VLM 自回归生成这些 token
3. 用 GRPO 直接优化 PDMS 分数

关键设计：长 CoT 推理。“think” token 让 VLM 在生成动作之前先做推理（类似 AlpaMayo-R1 的 CoC），但推理内容不是人为标注的，而是 RL 过程中自动涌现的。

AutoVLA 的一个有趣发现：使用 GRPO 后，VLM 自动学会了在生成轨迹 token 之前先输出一段推理文本（例如"前方有行人，应该减速"，“绿灯即将变黄，加速通过"等）。这种涌现的推理行为是 SFT 阶段从未教过的——说明 RL 训练不仅优化了动作，还让模型学会了"思考”。

AlpaMayo-R1（99ms 真车部署）：

NVIDIA 的 AlpaMayo-R1 是目前最完整的 VLA 方案，虽然不是 NAVSIM 专属，但其方法论有很强的参考价值。

架构三组件：

1. Cosmos-Reason VLM 骨干：预训练了 Physical AI 推理能力的 VLM
2. Chain of Causation 数据集：结构化因果推理链（决策锚定 + 关键因素 + 组装 CoC）
3. Flow Matching 动作解码器：将离散轨迹 token 解码为连续动力学可行的轨迹

三阶段训练：动作注入 SFT -> 推理激发 SFT -> GRPO 后训练（优化推理质量 + 推理-动作一致性 + 轨迹质量）

真车路测延迟仅 99ms，说明 VLA 的实时性瓶颈是可以被克服的——关键在于模型设计（轻量 VLM + 高效解码器）而非模型规模。

VLA 路线在 NAVSIM 上的关键挑战：

适合谁：你做学术研究、有大把 GPU 资源、想探索 VLA + RL 的前沿方向。

3.4 我的观点

如果你只想刷高分：选路线 A（Scoring-based）。 如果你想发论文：选路线 B（扩散/Flow + 蒸馏）。 如果你想做大新闻：选路线 C（VLA + RL）。

Scoring-based 路线统治排行榜不是偶然的。它的"生成+打分"结构天然适配 PDMS 的评估方式——PDMS 本质上就是一个打分器。

但更重要的是，Scoring-based 范式的蒸馏机制是当前已知的、唯一能系统性提升 PDMS 到 92 分以上的方法。

CLOVER 的闭式蒸馏、Hydra-MDP 的多头蒸馏、CLEAR 的对比蒸馏，本质上都在做同一件事：让 Generator 朝 Scorer 的偏好方向对齐。

3.5 路线 D：世界模型 VLA 范式（前沿探索）

这是一条目前还没有在 NAVSIM 排行榜上验证到 90+ 的路线，但理论潜力非常大。世界模型 VLA 的核心思路是在"生成轨迹"的基础上更进一步：让模型不仅生成当前的最佳轨迹，还能预测轨迹执行后的未来状态，并在预测的未来状态上做规划。

世界模型 VLA 做什么？

传统 Scoring-based 规划器的工作流：

当前场景 => [Generator] => 候选轨迹 => [Scorer] => 选最优轨迹

世界模型 VLA 的工作流：

当前场景 => [策略网络] => 候选轨迹 => [世界模型] => 预测执行后果 (评估) 检查安全性、舒适度、规则遵守 (评估) 选择最优轨迹

区别在于：世界模型提供"预演"能力——在轨迹被执行之前，先仿真一遍未来几秒会发生什么，然后基于"预演结果"做决策。

代表方法

DriveDreamer（世界模型作为规划器）

• 训练一个驾驶世界模型，学习状态转移函数 $p(s_{t+1}|s_t, a_t)$
• 推理时在 latent 空间内"想象"多条轨迹的未来
• 用奖励模型（类似 scoring-based 的 scorer）在"想象"的未来状态上评估
• 选择最大化累计奖励的轨迹

Gen-Drive / 扩散世界模型

• 用扩散模型同时建模场景演化（其他车辆的轨迹）和自车轨迹
• 不做显式的 “决策→预测” 分离，而是联合生成自车和其他交通参与者的未来轨迹
• 优势：对交互场景（变道博弈、交叉路口）有更好的建模

Cosmos（NVIDIA 世界基础模型）

• 训练在数千万驾驶视频上的世界模型
• 可以"想象"给定自车轨迹后的场景演化
• 输出未来的视频帧，做视觉级别的 safety checking
• 虽然还没有直接用于 NAVSIM 规划器，但其物理推理能力理论上可以直接提升 EP

GaiaFlow / 交互感知 Flow

• 用 Flow Matching 建模交通场景中所有 agent 的联合轨迹分布
• 自车轨迹是联合分布的一个条件维度
• 通过边缘化其他 agent 的轨迹来评估自车轨迹的安全性

世界模型 VLA 如何帮助 90+ PDMS？

针对 EP 优化：世界模型可以"预演"不同速度下的未来场景。如果你在犹豫"这个绿灯还够不够过"，世界模型可以提前模拟出 3 秒后的场景，告诉你能不能安全通过。这使得模型可以在保证安全的前提下最大化 EP——这正是 90 分以上最需要的。

针对长尾场景：世界模型的"想象"能力可以直接覆盖训练数据中没见过的场景。即使模型没见过"施工改道 + 行人横穿"的组合，也可以通过在想象空间中推理来找到安全的驾驶策略。

针对候选多样性：在世界模型的 latent 空间中搜索候选路径，比在轨迹坐标空间中搜索更高效。因为世界模型可以理解"这个区域是马路、那个区域是人行道"——它天然约束生成的候选轨迹在可行驶区域内。

为什么世界模型 VLA 还没有 90+？

尽管理论优势明显，世界模型 VLA 在 NAVSIM 上有两个核心瓶颈：

1. 世界模型的精度不够：驾驶世界模型需要精确预测未来 8 秒的场景变化（其他车辆、行人等）。当前的世界模型在 2-3 秒后就开始产生漂移，导致"预演"结果不可靠。打分器用的是不准确预演结果，选出的轨迹自然也差。

2. 计算成本太高：每条候选轨迹都需要世界模型 rollout 8 秒场景。如果候选数 K=12，每帧需要做 12 次 world model rollout。当前 SOTA 世界模型的单次 rollout 需要 10-50ms，12 次就是 120-600ms——远远超出实时要求。

世界模型 VLA vs Scoring-based：不是替代关系

我倾向认为世界模型 VLA 和 Scoring-based 是互补而非替代关系。

最有可能的融合路线：

Generator => 候选轨迹 => [世界模型快速预演] => [Scorer 精打分] => 选最优

用世界模型做快速预筛选（成本高但准确率高），用 Scorer 做精细打分（成本低但需要训练）。这样既利用了世界模型对场景演化的理解能力，又保持了 Scoring-based 的高效性。

适合谁：你有无限 GPU 资源、想探索下一代规划范式、不介意当前的低分但看重长远潜力。

四、EP 深度剖析：90 分以上的终极瓶颈

上面说过，当安全指标全部拉满后，PDMS 的唯一瓶颈就是 EP。现在我们来深入看看，到底怎么优化 EP。

4.1 EP 的本质

EP 衡量的是主车在 4 秒非反应式仿真（场景全长 8 秒，仿真取前 4 秒）内沿导航路线的前进量，除以一个"安全可达上界"后截断到 [0,1]。这个上界不是固定的米数，而是 PDM-Closed 规划器用特权信息搜索出来的"无碰撞、不出路"参考进度（上界低于 5 米的平凡场景直接丢弃）。所以 PO 要优化其实很简单：让主车在不出事的前提下，尽量接近特权规划器的进度。

但为什么很难做到 EP = 1.0？

因为 NAVSIM 中有很多场景要求主车停下来等：

• 红灯前等待
• 行人过马路时等待
• 有车切入时减速让行
• 交叉路口让行

在这些场景下，强行加速前进会触发碰撞（NC），导致整段分数归零。所以 EP 优化的本质是在安全和前进之间找到最优平衡。

4.2 EP 优化的三个层次

层次一：保守策略（EP 0.7-0.8）

只在安全时加速，不自信时一律减速等待。这种方法碰撞率极低，但很多场景下主车会"犹豫不前"。

典型表现：在可通行路口也要减速观察，导致 EP 偏低。

层次二：激进策略（EP 0.8-0.9）

通过学习人类驾驶数据，模型学会了在大多数场景下保持合理速度。但在少数复杂场景（无保护转弯、行人混淆场景等）会出错——要么碰撞，要么过于保守。

典型表现：大部分场景 EP 很高，但少数场景出了错导致 NC 扣分。

层次三：最优策略（EP 0.9-0.95）

模型学会了在不同场景下自适应调整速度：安全时保持高速，复杂时适当降速但不停车。这才是 CLOVER 等顶尖方案达到的水平。

4.3 CLOVER 如何优化 EP

CLOVER 的闭式蒸馏对 EP 的优化可以概括为：

Generator 不再只是模仿人类驾驶，而是模仿"打分器认为好的驾驶行为"。

人类驾驶不一定是最高分的行为——人类可能开得太慢（EP 低）、或者太激进（碰撞风险高）。而打分器训练的目标直接就是最大化 PDMS，所以打分器认为好的行为是 PDMS 最优的。

通过蒸馏：

对比实验数据（来自 CLOVER 论文）：

• 不做蒸馏的 Baseline：EP 0.82，PDMS 86.5
• 基础蒸馏：EP 0.87，PDMS 89.2
• CLOVER 闭式蒸馏：EP 0.93，PDMS 94.5

可以看到蒸馏的收益主要集中在 EP 上。对安全指标（NC、DAC、TTC、C）的改进很小，因为 Baseline 已经做得不错了。

五、数据集策略：在哪个数据集上训练与测试？

NAVSIM 的数据集设计非常巧妙，理解它的结构对刷分至关重要。

5.1 Navtrain vs Navtest vs Navhard

NAVSIM 有三个主要的数据集划分：

Navtrain（训练集）：

• 约 74,000 个场景
• 覆盖了大多数常规驾驶场景
• 场景时长：8 秒

Navtest（标准测试集）：

• 约 10,000 个场景
• 难度分布与 Navtrain 相似
• 排行榜上主要报告的分数

Navhard（高难度测试集）：

• 约 10,000 个场景
• 专门筛选的高难度场景
• 包含很多 corner case

5.2 关键洞察：用哪个数据集训练决定了你的上限

如果在 Navtrain 上训练，在 Navtest 上测试：你的模型学习的是 Navtrain 的数据分布。Navtest 和 Navtrain 同分布，所以分数会偏高。

真实场景下的泛化能力：Navtrain → Navhard 的迁移能力才是真正考验。

高分方案的训练策略：

注意 CLOVER 和 TransDiffuser 在 Navtest 上的分数非常接近（94.5 vs 94.85），但在 Navhard 上可能会有显著差异。

5.2.1 Navhard 的特殊性

Navhard 是 NAVSIM 中最难的数据集，高分方案往往在这里暴露真实差距。

Navhard 的特点：

• 场景复杂度高：包含更多交互、更多交通参与者
• 长尾分布：很多场景在训练集中极少出现
• 决策多样性低：很多时候只有一种"正确"的驾驶方式

一个模型在 Navtest 上得 94 分，在 Navhard 上可能只有 88-90 分。差距主要来自：

• 罕见场景的处理能力
• 对复杂交互的建模
• 候选轨迹在困难场景下的鲁棒性

提升 Navhard 分数的策略：

1. 在 Navhard 上做蒸馏——将 Navhard 场景加入蒸馏训练。即使 Navhard 没有官方 label，你可以用 scoring-based 框架生成 pseudo-label。
2. 困难场景挖掘——识别模型在 Navtrain 和 Navhard 中表现最差的场景，做针对性增强。
3. 数据混合——在训练时按比例混合 Navtrain 和 Navhard 数据，不要让模型偏科。

5.3 自生成数据的策略

如果你想要真正的高分（93+），你必须做自生成数据——用当前模型在场景上生成新的轨迹，然后用打分器筛选出高分轨迹加入训练。

自生成数据的流程：

1. 遍历 Navtrain 的场景
2. 用当前 Generator 为每个场景生成 K 条候选轨迹
3. 用 Scorer 对这些候选打分
4. 筛选出分数最高的候选（或分数超过某个阈值的候选）
5. 将这些候选轨迹作为新的训练数据（pseudo-GT）
6. 混合原始 GT 和 pseudo-GT 重新训练 Generator

关键参数：

• 筛选阈值：过高则数据太少，过低则数据质量差。建议用 top-10% 或分数高于某个固定阈值（比如 0.95）。
• 混合比例：pseudo-GT 的比例太高会导致模型"自我强化"（reinforcing own biases）。建议 pseudo-GT 占比 20-30%。
• 迭代轮数：一般 2-3 轮自生成后收益递减。过多的迭代会导致 diversity collapse。

CLOVER 的创新点之一：CLOVER 不是在 Generator 固定后做一次自生成，而是在训练过程中动态自生成。每次 Generator 更新后，都会重新生成候选，打分筛选，然后继续训练。这种"在线自生成"的方式比"离线自生成"效果更好，因为 Generator 在不断进化，生成的数据也在进化。

5.4 我的建议

如果你资源有限，优先在 Navtrain 上做精，不要去碰全量数据。原因：

1. Navtrain 已经足够覆盖大多数场景
2. 全量数据中难例占比低，边际效用递减
3. 在 Navtrain 上精调比在全量数据上粗调更有效

但如果你已经有基础方案（85+），开始做自生成数据。收益：1-3 分 PDMS。

六、打分器设计：ScoreNet 的架构与训练细节

Scoring-based 范式的核心是打分器。如果你要做个自己的打分器（而不是直接用 NAVSIM scorer），以下几个细节值得注意。

6.1 ScoreNet 架构

NAVSIM scorer 是一个基于 Transformer 的打分器：

• 输入：场景上下文 maps（车道、交通灯）+ agents（其他车辆、行人）+ 主车轨迹
• 编码：分别对道路元素、agent 轨迹和主车轨迹做编码
• 融合：交叉注意力融合场景信息和轨迹信息
• 输出：标量分数（PDMS 的估计值）

6.2 训练打分器的关键

监督信号：使用 NAVSIM 官方 scorer 计算的 PDMS 分数作为 GT。

损失函数：

• 回归损失：MSE + MAE
• 排序损失：确保高分候选的预估分数高于低分候选

数据增强：

• 对轨迹添加噪声
• 随机裁剪场景
• 混合不同场景的候选轨迹

6.3 打分器训练的几个陷阱

陷阱 1：打分器过拟合

如果你的打分器在训练集上表现完美但在测试集上很差，说明过拟合了。解决方法：

• 增加 dropout
• 增加训练数据（用自生成数据）
• 使用正则化

陷阱 2：打分器不准确

打分器预估的分数和实际 PDMS 差异很大，导致选择错误候选。解决方法：

• 检查打分器的校准（calibration）
• 使用 ensemble 方法
• 在困难场景上做 hard negative mining

陷阱 3：打分器偏好偏差

打分器倾向于选择某种特定的轨迹（比如过于保守的轨迹），导致 EP 偏低。解决方法：

• 在训练数据中加入更多 EP 高的样本
• 使用多样性奖励（diversity reward）来平衡打分

七、梯度与协作的反直觉实验

在探索 NAVSIM 高分的过程中，我碰到的几个反直觉现象值得分享。

7.1 打分器越准，Generator 越难提升？

这是一个让人迷惑的发现：如果打分器已经非常准确（在验证集上 99% 以上的排序正确率），那么蒸馏的收益反而会递减。

原因是：当打分器几乎不会选错时，Generator 只要生成一个"及格"的候选就能被选中。继续提升 Generator 的质量，并不会改变打分器的选择结果。这是一个信息瓶颈。

CLOVER 的闭式蒸馏解决了这个问题，因为它不依赖于"打分器选了什么"，而是直接学习打分器的分数梯度。

7.2 多轮蒸馏不一定有效

另一个发现：多轮蒸馏有边际效用递减，甚至会出现"蒸馏退化"。

第二轮蒸馏时，Generator 生成的候选可能已经同质化（都在模仿第一轮蒸馏学到的最好轨迹），多样性反而降低了。这时需要引入多样性的保证。

解决办法：在蒸馏时加入 entropy bonus 或 diversity constraint。

7.3 Navtest 分数高 ≠ 实际能力强

这是最重要的一个警示：NAVSIM 的 Navtest 是开环评测，模型不会看到自己决策后的实际后果。

一个模型在 Navtest 上得了 94 分，但在闭环仿真中可能表现很差。这是因为开环评测中，模型不需要为自己的行为负责——它的决策不会影响后续决策的上下文。

如何避免这个问题：

• 同时在 Navtest 和 Navhard 上评估
• 做闭环仿真验证
• 关注模型在长尾场景上的行为

八、消融实验深度分析

为了更清晰地理解每个模块的具体贡献，我整理了一个完整的消融实验分析。这些数据来自多篇论文和我的实测经验。

8.1 标准消融模板

8.2 蒸馏轮数的消融

很多人在蒸馏轮数上存在误区——认为"越多越好"。实际上，蒸馏轮数的影响非常微妙：

第 0 轮（无蒸馏）：Generator 生成的候选轨迹质量完全取决于 SFT 质量。如果 SFT 训练得好，基础 PDMS 在 85 左右。但如果 SFT 质量一般，可能只有 80 出头。

第 1 轮蒸馏：收益最大。从无蒸馏到第 1 轮蒸馏，PDMS 通常提升 3-5 分。这正是大多数入门方案能达到的水平（88-90）。

第 2 轮蒸馏：收益递减。第 2 轮提升约 1-2 分。原因在于 Generator 已经学到大部分"明显"的改进空间，剩下的都是边际改进。

第 3 轮及以后：收益极小（< 0.5 分），甚至可能出现退化。退化原因是 Generator 的候选轨迹开始同质化——所有候选都集中在同一个"最优"模式，多样性下降。

什么时候停止蒸馏：

• 当相邻两轮蒸馏的 PDMS 提升 < 0.3 分时，停止
• 当同一场景下 K 条候选的分数方差明显下降时，停止（信号：候选同质化）
• 在验证集上监控 EP 的分布，如果分布变窄但均值不变，停止

8.3 候选数量 K 的消融

关键洞察：从 K=6 到 K=12，PDMS 提升约 2.3 分，这是最大的边际收益。再往上，收益递减。

对于实际部署，建议 K=12（推理总耗时：Generator 前向 ×1 + Scorer 前向 ×12）。对于刷榜，可以用 K=32 或更高。

8.4 打分器架构的消融

打分器的深度在超过 8 层后收益显著递减。这是因为打分器的监督信号（NAVSIM scorer 的输出）本身包含噪声，太深的模型可能会过拟合这些噪声。

我的建议：用 8 层 Transformer 作为默认配置，如果有余力再做 4 个模型的 ensemble。

8.5 蒸馏温度的消融

闭式蒸馏中的 temperature 参数控制分数梯度的"锐度"：

推荐初始值 0.5，如果你的 Generator 已经质量不错（PDMS > 88），可以降低到 0.3 来更聚焦于最高分模式。

九、实战技巧总结

基于上面的分析，我总结一下在 NAVSIM 上刷高分的实战技巧。

9.1 从零开始刷分路线图

第 1 周：基础搭建

• SFT 模仿学习：用 Navtrain 做行为克隆
• 目标：PDMS 78-82，碰撞率 < 5%
• 关键：数据质量比数量重要

第 2 周：Scoring-based

• 实现 Generator-Scorer 架构
• 训练基础打分器（用 NAVSIM scorer 做监督）
• 目标：PDMS 84-88，安全指标基本拉满

第 3 周：蒸馏优化

• 实现蒸馏机制（基础蒸馏即可）
• 提升候选多样性
• 目标：PDMS 88-91

第 4 周：闭式蒸馏（可选）

• 实现 CLOVER 的闭式蒸馏
• 联合优化 Generator 和 Scorer
• 目标：PDMS 91-94

9.2 常见陷阱与解决方法

9.3 快速提升 PDMS 的 5 个"杠杆"

如果你想用最小代价获得最大提升，按优先级做以下 5 件事：

1. 做蒸馏（收益：3-5 分）—— 这是 88→92 的最关键一步
2. 提升候选多样性（收益：2-3 分）—— 扩展 Generator 的覆盖范围
3. 优化 EP（收益：1-3 分）—— 安全指标基本搞定后唯一还能优化的项
4. 加深打分器（收益：1-2 分）—— 更准的打分器能更好地甄别候选
5. 做闭环验证（收益：保真度）—— 确保你在 Navtest 上的高分不是"虚假繁荣"

9.4 训练超参数推荐

最后给出一些经过验证的超参数配置，节省你调参的时间：

Generator 训练：

• 学习率：1e-4（AdamW）
• Batch size：64-128
• 轨迹长度：8s × 10Hz = 80 个 waypoint
• 候选数量 K：12（训练时）/ 12-32（推理时）
• 损失权重：Trajectory L1 Loss = 1.0, Collision Loss = 0.1 (可选)

Scorer 训练：

• 学习率：3e-5（AdamW）
• Batch size：32-64（每个场景 K 条候选，B×K 的总样本数）
• 训练数据：Navtrain + 自生成（混合比例 8:2）
• 损失函数：BCE（最大熵分类）或 MSE（回归）
• 数据增强：轨迹加噪声（σ=0.1m）

蒸馏训练：

• 学习率：1e-4（Generator）/ 1e-5（Scorer）
• Temperature：0.5（闭式蒸馏）
• 轮数：2-3 轮
• 每轮蒸馏步数：5000-10000 steps

硬件要求：

• Generator + Scorer：4×A100（~3 天训练到 90+）
• 仅蒸馏：1×A100（~1 天）
• 推理（单场景）：~5ms（Generator）+ 12×~2ms（Scorer）= ~30ms

十、展望：PDMS 95+ 的下一步

CLOVER 的 94.5 让人印象深刻，但它真的是上限吗？我觉得不是。以下是我认为还能突破的方向。

10.1 扩散模型 + Scoring-based 的融合

TransDiffuser 证明了扩散模型在规划上的潜力，但它目前还没有和 Scoring-based 范式深度融合。

我猜下一个突破会是：用扩散模型做 Generator，Scoring-based 做选择。扩散模型的生成多样性天然优于 CVAE，但需要解决推理速度问题。

10.2 多模态决策融合

当前的方案大多只做"单模态轨迹生成"（预测主车轨迹）。但其实规划问题可以拆解为"决策 + 轨迹"两个维度。

一个可能的突破方向：先用一个决策模块输出意图（如"直行"、“左转”、“等待"等），然后为每个意图生成轨迹。这样可以在决策层面保证多样性，再在轨迹层面做精细优化。

10.3 RL + Scoring-based 的融合

GRPO 在 Diffusion 上的尝试虽然效果有限，但 RL + Scoring-based 的融合可能更有前景。

具体来说：用 RL 优化 Scoring-based 框架中的某个环节（比如 Generator），而不是做端到端 RL。这样既能利用 RL 的长处（探索），又能保留 Scoring-based 的稳定性。

CLOVER 的蒸馏本质上和 RL 有共通之处——“Generator 生成轨迹→Scorer 评估→反馈→改进"的循环，和 RL 的"actor-critic"结构非常相似。

10.4 更高效的数据利用

NAVSIM 的数据利用率其实很低。目前大多数方案只用了 Navtrain（74k 场景），而 NAVSIM 全量数据约有数百万场景。

如果能高效利用全量数据（特别是其中的难例），应该能有 1-2 分的提升。

10.5 可解释性与可控性

当前的高分方案基本是"黑盒”——模型输出一个轨迹，你不知道它为什么选择这个轨迹。

未来方向：让 Scoring-based 范式的打分解更加可解释。比如打分器不仅输出一个总分，还输出每个子指标（NC、EP、TTC、C）的预测分数。这样开发者可以理解模型的决策逻辑，在出现问题时可以针对性修正。

CLOVER 已经有这个雏形——它的打分器实际上预测的是 PDMS 的各个分解项，最终分数是这些分解项的加权组合。这个方向值得持续关注。

10.6 实时性与效率

目前的推理速度：Generator（~5ms）+ Scorer × K（~24ms），总计约 30ms 在 A100 上。这对实时部署来说还有点紧张（需要至少 20ms 以内）。

优化方向：

• Scorer 的轻量化（用 MLP 替代 Transformer）
• 候选的剪枝策略（先用快速打分器初筛，再用精打分器精选）
• ONNX / TensorRT 部署优化

十一、EP 增益方法论深度调研：最近一年 PDMS 崛起的真正引擎（2026-10 增补）

本章回应一个具体的调研命题：最近一年 NAVSIM navtest 的 PDMS 涨得很快，主要是不是 EP 指标贡献的？如果是，各路高分模型具体是用什么方法论把 EP 抬上去的？ 本章基于 2024-2026 年公开论文与榜单数据逐篇核对（数据截止 2026-10-10，11.1 节收录约 40 个有公开子指标的方法），结论先行：是的——过去两年第一梯队的 PDMS 涨幅中，EP 平均贡献了约 60%~70% 的增量，且头部模型的 EP 已经全面超越人类驾驶员（87.5）；背后的方法论可以归纳为五大流派，外加三条补充杠杆。

11.1 先看数据：一年来 PDMS 的涨幅到底是谁贡献的

把 navtest 上有公开子指标的方法按时间排成一张表（统一为 NC/DAC/TTC/Comf./EP/PDMS 六列，EP 一律加粗；均为 navtest 官方口径，ResNet-34 与更强 backbone 混排、以及个别由后续论文转引的数字，已在表后备注）：

备注：① VADv2 一行采用 ARTEMIS/FUMP 两篇论文独立复现的 C&L 口径（与其原论文 camera-only 报告略有出入，此处取复现一致值）；② DriveSuprim ViT-L 的 EP=90.0 来自其原论文，部分后续论文（CLOVER/DrivoR 等）转引为 91.3，榜单以原论文为准；③ Hydra-MDP++ 一行取 v1 navtest 口径（其 v2 EPDMS 为 81.4，EP 在 v2 反映口径下为 83.1）；④ 标”—“表示该子指标未在同口径表中公开。

从这张表能读出三件事：

1. 安全类子指标在 2024 年就饱和了。NC/DAC/TTC/Comfort 从 UniAD 时代（2024 初）到现在几乎没变——大家都稳定在 NC≈98、DAC≈97、TTC≈94、Comf≈100。模仿学习把这些"不出事"的能力早就教完了。唯一的例外是 SafeDrive 把安全三项刷到历史极端值（99.5/99.0/97.2），但代价见 11.4 节。
2. EP 是唯一还在大幅爬升的子指标。2024 初的 7879（UniAD/LTF/TransFuser/PARA-Drive 四家挤在一起）→ 2024 底 82（DiffusionDrive）→ 2025 中 8587（GoalFlow 85.0 / ReCogDrive 87.3 / DiffusionDriveV2 87.5）→ 2025 下半 8890（iPad 88.0 / DrivoR 90.0 / RAP-DINO 90.3）→ 2025 底2026 91+（CLOVER 91.7 / MM-Future 91.6）。两年涨了约 13 个点，而同期 PDMS 也正好涨了约 10 个点——PDMS 的涨幅几乎全部由 EP 解释。注意中间梯队（WoTE/ARTEMIS/FUMP/Epona/World4Drive 等）EP 仍卡在 8082，说明涨 EP 的方法论并没有"人尽皆知”，知道怎么涨的（打分/蒸馏/RL）和没涨的之间拉开了 610 个 EP 的差距。
3. 头部模型的 EP 已经超过人类（CLOVER 91.7 / MM-Future 91.6 vs 人类 87.5），而特权规划器 PDM-Closed 的 EP 是 99.9——说明 EP 的归一化上界是"规则规划器能走多远"，不是"人类演示走多远"。这不是说模型比人开得好，而是说明 EP 这个指标已经不能用"模仿人类"来解释了——11.2 节会讲清楚为什么。

用增量分解验证一下"主要是 EP 贡献"这个命题：从 PARA-Drive（PDMS 84.0, EP 79.3）到 MM-Future（94.0, EP 91.6）总涨幅 10.0 分，其中 EP 从 79.3 → 91.6（+12.3）按 PDMS 加权公式折算（EP 权重 5/12）贡献约 +5.1 分，NC/DAC/TTC 的小改善再贡献约 +1~2 分，其余来自更强 backbone 与蒸馏/RL 的交互项。换一组端点也成立：DiffusionDrive（88.1, 82.2）→ CLOVER（94.5, 91.7），PDMS +6.4 中 EP 折算贡献 +3.9，超过 60%。保守估计 EP 直接贡献了 50% 以上的 PDMS 增量；若只看第一梯队内部（安全已饱和），这个比例接近 70%。

交叉验证来自一篇 2026 年 4 月的跨基准相关性研究（arXiv 2605.00066，NAVSIM×Bench2Drive 配对 8 个方法）：

• EP 是预测真闭环成功率的最强单一子指标（Spearman ρ=0.83），远超安全指标 NC（ρ=0.45）；
• 更狠的结论：只用 NC×DAC×EP 三项的"CL-Proxy"分数，就能达到与完整 5 项 PDMS 相同的排序相关性（ρ=0.90）——TTC 和 Comfort 在当前头部方法上已经不提供额外排序信息；
• 该研究同时点名了反例 SafeDrive：安全三项全部历史最高但 EP 只有 84.3，在真闭环里因"太慢"被惩罚，排名倒挂。安全-进步权衡是刷分与真实能力之间最大的裂缝（11.4 节展开）。

11.2 为什么 EP 是"模仿学习天花板之上"的指标——结构性原因

这是理解全部 EP 方法论的钥匙。NAVSIM 原文里有一句容易被忽略的话：

“EP cannot be solved purely by human imitation, given that the maximum progress estimate used for normalization is based on a privileged rule-based motion planner.”

翻译过来：EP 的归一化上界是 PDM-Closed 特权规划器的进度，不是人类演示的进度。人类演示本身 EP 只有 87.5，而上界是规则规划器用特权信息搜索出来的"物理可达最大安全进度"。所以：

纯模仿学习的 EP 天花板 ≈ 人类演示水平 ≈ 85~87
EP > 87.5 必须注入"人类演示之外的知识":
  打分器偏好 / 模拟器奖励 / 特权教师 / 世界模型先验 / 几何正则
一年来所有 EP 方法论,本质上都是在回答同一个问题:
  "如何让模型知道人类演示里没写、但打分函数喜欢的行为?"

再看模仿学习卡在哪：IL 学的是人类演示的条件分布均值。而"前车慢行"这类场景的真实分布是双峰的——“跟车等"和"变道超"都是人类会做的合理决策。均值落在两峰之间，产出一条谁也不像的保守轨迹：减速但不减到位、超车但不敢打满方向。EP 就在这种"犹豫的平均值"里流失。要打破它，要么让模型看到多峰并选峰（多模态生成+选择），要么让模型收到"哪个峰分数高"的直接信号（蒸馏/RL）。这就是五大流派的共同出发点。

顺带解释场景层面 EP 丢在哪（排查自己的 EP 时对着这张清单看）：

11.3 五大流派方法论逐篇拆解（本章核心）

一年来把 EP 从 79 抬到 91+ 的方法，按机制可以干净地分成五派。每派给出代表作、数字、以及"为什么它能涨 EP”。

流派一：打分选择——生成 K 条候选，让打分器挑走得最远的那条

机制：Generator 产出 K 条覆盖不同模式的候选（跟车/超车/直行/转弯），一个轻量 Scorer 给每条估 PDMS（或其分解项），推理时取分最高的。选择步骤本身就是"在安全候选里最大化 EP"的离散优化——Generator 只需要覆盖高 EP 的模式，不需要自己敢开。

代表作与数字：

为什么涨 EP：选择是零训练成本的 EP 杠杆。GoalFlow 的消融很直白——同样的生成器，换上"距离-EP 权衡"的轨迹打分器后 EP 从 79 档跳到 85 档。MM-Future 的消融则证明"成对未来条件化打分"还能再把每条候选的分数判得更准（配对后 NC/DAC/TTC/EP 全部 +0.1~+0.5）。

一个非常有说服力的旁证是 Best-of-N（BoN）oracle 上界：如果允许用"作弊打分器"（直接拿模拟器真实 PDMS 给 N 条候选排序取最优），AutoVLA 的 EP 从单模的 81.9 跳到 BoN 的 87.6（+5.7），DriveVLA-W0 从 83.3 跳到 88.3（+5.0）。这说明：这两个 VLA 的候选集里其实已经藏着"敢走"的轨迹，差的只是一个能认出它们的打分器——选择的天花板远比大家以为的高，流派一不是小打小闹，而是结构性红利。同理，DRIFT 论文的反向消融也很说明问题：48 条候选如果直接取物理空间平均，EP 掉到 81.6；换成学习的场景感知聚合头，EP 回到 84.0（+2.4）——不会选，多模态反而互相抵消。

适用与局限：这是本文第三节 CLOVER 路线的同族。上限取决于两点——候选集是否覆盖高 EP 模式（Generator 多样性）、Scorer 排序是否与真实指标一致（11.4 节的 SafeDrive 就是 Scorer 偏向安全导致 EP 留在 84 的案例）。

流派二：多教师蒸馏——把"打分器的偏好"在训练期灌进学生

机制：不满足于推理时选，而是在训练时就把"模拟器/打分器喜欢什么"变成监督信号。标准做法（Hydra-MDP）：

两步走:
  ① 离线: 对训练集全量跑离线仿真,给"轨迹词表"V_k 里的每条候选
     打上逐指标分数标签 (NC/DAC/TTC/EP/C 各一个)
  ② 训练: 多头解码器 K 条候选,每个头用 BCE 预测自己那条的各指标分数
     同时保留对人类轨迹的模仿损失
  推理: 按预测分数选总代价最低的候选
关键论文原话: "distillation of EP can improve the corresponding metric"
  ——蒸谁的 EP 标签,谁的 EP 就涨

代表作与数字：

为什么涨 EP：蒸馏把"离线仿真才知道的进度知识"变成了学生的内化行为，推理时不需要跑打分器。Hydra-MDP 冠军版的 EP 其实不高（78.7，因为它蒸的是综合指标而非偏科 EP），但它的方法论框架被后续所有工作继承——把 EP 单独作为一个蒸馏目标（W-EP 变体）后 EP 显著上涨，这个消融在论文最终版里被明确标注。

适用与局限：需要能批量离线仿真打标（navtrain 74k 场景 × K 候选，一次性成本可观）。优点是推理零额外开销、与任何 Generator 架构兼容。

流派三：强化学习——直接拿含 EP 的 PDMS 当奖励优化

机制：采样一组轨迹 → 在模拟器/打分器里算奖励（奖励=PDMS，天然含 EP 项）→ 组内相对优势归一化做策略梯度。这是字面意义上的"直接优化 EP"，2025 下半年到 2026 年 EP 涨幅最猛的一批工作全是这一派。

代表作与数字（消融最干净的三篇）：

三个关键细节，全是可抄的工程结论：

1. RL 的增益几乎全部落在 EP 上。ReCogDrive 的算法对比表（DiffGRPO 90.8 vs DPPO/REINFORCE 89.5）显示差距主要就是 EP（87.3 vs ~82.9）——同样的 RL 预算，组相对优势（GRPO 式）比标量基线更能把"敢走"的行为学出来。
2. RL 只需要打难例。SimWAM 的做法：先模仿训练，筛出 PDMS<90 的难例场景子集再 RL——计算省一个量级，还避免在简单直行场景上把已会的行为训退化。
3. 必须带 BC 正则。所有正经的 RL 工作都保留行为克隆项防策略漂移——纯 RL 会在模拟器里学出"reward hacking"式的怪异轨迹（蹭着障碍物擦边冲进度）。

为什么涨 EP：奖励函数里 EP 权重 5/12，组采样天然覆盖"保守峰"和"激进峰"，优势归一化让"同一场景下比同组更远且没出事"的轨迹获得正梯度——这正是打破 11.2 节"犹豫均值"的机制。你们组（Flow-GRPO 出身）对这套应该非常熟悉：SimWAM 的配方（难例子集+G=8+BC正则）就是 Flow-GRPO 在 NAVSIM 上的当前最优实践。

流派四：世界模型/未来条件化——先想清楚后果，再决定走不走

机制：让模型显式预测未来状态（潜空间或像素），当前决策以"未来"为条件。逻辑链：EP 损失大量来自"不敢走"，而不敢走的原因是不知道 2 秒后会不会撞——世界模型把这个不确定性在规划前就 rollout 出来，模型看到"这个间隙 2 秒后是安全的"就敢加速。

代表作与数字：

两个反直觉的量化发现：

1. 视频/世界共训本身就涨 EP（+2.2），不需要推理时真的 rollout 视频。SimWAM 甚至只用单前视相机。这说明世界知识的收益主要在表征层——模型内部化了"物体怎么动"的先验，规划时自然少犹豫。
2. MM-Future 的最大单项增益不是世界模型，而是"多模态"（+9.3 EP）——单模生成器 EP 只有 79.3（和 2024 年的 PARA-Drive 一个水平！），换成 32 候选多模态后直接 88.6。这给所有单模回归式规划器敲了警钟：EP 的第一杀手是单模态，世界模型是锦上添花。

适用与局限：推理成本高（rollout 时延），且有幻觉风险（本文另一篇 Cosmos 文章的主题）。当前性价比排序：多模态 > 世界共训 > 推理时 rollout。

流派五：几何/正则化技巧——不训练大模型也能涨 EP 的免费杠杆

机制：不引入打分器/RL/世界模型，只在损失函数或后处理里注入几何先验。

DRIFT 值得单独说：它证明了**“车道利用不充分"是一个被所有人低估的 EP 漏洞**——大量场景里模型走中间、留着两边余量，4 秒下来比打满车道宽度少走 1~2 米。一个 map-derived 的正则就能把这部分白送的进度捡回来，而且完全不碰安全指标。它的消融还拆出了另一半贡献来源：去掉生成式 Decoder（退回单模回归）EP 掉到 83.1（-0.9）——边界正则和多模态生成是两条独立的免费 EP 杠杆，叠加起来 +1.6。

流派之外的三条补充证据（架构路由 / 多智能体数据 / 数据规模）

五大流派之外，还有三个"不那么主流但量化干净"的 EP 杠杆，值得一并记下：

三条的共同点：都不直接接触打分器/RL 奖励，但都在增加"策略空间的覆盖度”——MoE 路由是架构内的隐式多模态，多智能体数据是数据侧的隐式多模态，仿真增广是数据分布的外推。这从另一个角度印证了 11.2 节的诊断：EP 的本质瓶颈是"敢不敢覆盖保守均值之外的行为模式"，凡是能让模型"见过并练过更多模式"的手段，EP 都会涨。

五派速览与组合建议

                 训练成本   推理开销   EP增益天花板   实现难度
打分选择(流派1)   低(训Scorer)  +Scorer时延   ~87档      低
多教师蒸馏(流派2) 中(离线打标)  零           ~90档      中
RL(流派3)         中(采样G条)   零           ~92档      中高
世界模型(流派4)   高           高           ~92档      高
几何正则(流派5)   极低         零           ~85档      低
架构路由(补充1)   低(改结构)   零           ~82档      低
多智能体数据(补充2) 低(改数据)  零           ~83档      低
数据规模(补充3)   中(合成数据)  零           ~92档      中

当前榜单头部(DriveSuprim 93.5 / CLOVER 94.5 / MM-Future 94.0)的配方本质都是组合拳:
  多模态生成(流派4的第1条) + 打分选择(流派1) + 蒸馏或RL(流派2/3) + 几何正则(流派5)
  ——再把架构路由/多智能体数据/规模增广当免费的底座加成叠上去

给不同资源条件的推荐组合：起步（有 IL 基线）→ 流派5 边界正则 + 流派1 推理期 K 候选打分选择，一周内见效；进阶（有离线仿真管线）→ 流派2 EP 专项蒸馏；冲榜（有模拟器采样预算）→ 流派3 难例子集 GRPO，叠加在蒸馏之后；前沿（不差卡）→ 流派4 多模态世界-动作联合建模（MM-Future 路线，当前上限最高）。

11.4 安全-进步权衡：EP 的暗面与 v2 的修正

EP 不是越高越好——脱离安全约束刷 EP 就是刷分作弊。三个必须讲清楚的点：

1. SafeDrive 案例（反面教材）。NC 99.5 / DAC 99.0 / TTC 97.2，安全三项全部历史最高，但 EP 只有 84.3。在 NAVSIM v1 榜单上它靠安全乘子拿了 91.6 的高分，但在 Bench2Drive 真闭环里排名直接倒挂——因为真闭环有"太慢"惩罚，NAVSIM v1 没有。如果你的 Scorer 训练时过度加权安全项，就会复刻这个错误。
2. EP 超过人类（91.6 > 87.5）的正确解读。不是模型比人类司机更会开，而是：① 归一化上界是特权规划器而非人类；② 4 秒非反应式仿真里"激进但没撞"不被追责；③ 人类演示员在采集时带着"别出事"的额外保守。EP>87.5 的部分是"指标红利"，不要把它当成真实能力的证据——这也是跨基准研究发现排名倒挂的根源。
3. v2/EPDMS 的修正方向。NAVSIM v2 把指标从 5 项扩到 9 项（新增 DDC/TLC/LK/HC/EC），加了两阶段反应式仿真，并引入"人机同责过滤"（人类也会违规的场景取消惩罚，合法化必要借道）。EP 在 v2 里权重仍是 5，但反应式二段让"真犹豫"的代价显性化——v2 榜单上 EP 与真闭环的相关性只会更强。刷 v1 的同学注意：你的 EP 红利在 v2 会缩水一部分。

11.5 落地诊断清单：你的 EP 卡在哪一档

拿到你自己模型的子指标后，对着这张表定位（navtest 口径）：

最后压一条底线：任何 EP 手段都不许动 NC/DAC 乘子。乘子归零一次的代价需要十次 EP 增益才能补回来（1.3 节的阶梯结构）。正确的检查习惯是每次实验同时看 (EP, NC, DAC) 三元组，而不是只盯 EP。

11.6 本章小结

1. 命题成立：最近两年 navtest PDMS 的涨幅主要是 EP 贡献的（保守估计 50%+，头部方法内部接近 70%）；NC/DAC/TTC/Comfort 早在 2024 年就饱和了。40 个方法、EP 从 62.8（盲agent）到 91.7（CLOVER）的完整时间线支撑了这个结论。
2. 结构性原因：EP 的归一化上界是特权规划器（99.9）而非人类（87.5），纯模仿只能到 85~87；更高必须注入打分器偏好、模拟器奖励、特权教师、世界先验或几何正则。
3. 五大流派 + 三条补充杠杆：打分选择（GoalFlow/DriveSuprim/MM-Future）、多教师蒸馏（Hydra-MDP/CLOVER）、强化学习（DiffusionDriveV2/ReCogDrive/SimWAM）、世界模型（DriveFuture/SimWAM视频消融/MM-Future）、几何正则（DRIFT）；外加 MoE 架构路由（ARTEMIS +2.9）、多智能体数据复用（FUMP +1.3）、数据规模扩展（DrivoR +1.6）。榜单头部全是组合拳。
4. 三个最大的单项杠杆（如果你只有预算做三个实验）：① 多模态生成（MM-Future 消融 +9.3）；② 难例子集 GRPO（ReCogDrive 消融 +6.4）；③ 打分选择（BoN oracle 显示候选集里普遍藏着 +5 EP 的选择空间，GoalFlow 实测 +3~5）。
5. 警惕安全-进步权衡：SafeDrive 倒挂案例；EP>87.5 是指标红利；同步盯 v2 EPDMS 与 navhard 防止排行榜高分真闭环翻车。

十二、写在最后

写这篇文章的初衷，是希望后来者能少走弯路。NAVSIM 的 Scoring-based 范式看起来简单（“不就是生成候选然后打分吗”），但里面每个环节都有值得深挖的细节。

回顾一下全文的核心信息：

1. 理解 PDMS 公式——乘性惩罚决定下限，EP 决定上限，不同分数段有不同瓶颈
2. 从 SFT 起步——不要跳过基础能力训练直接上高级方法
3. Scoring-based 是经过验证的高分框架——Generator + Scorer + 蒸馏是最可靠的 90+ 路径
4. 候选质量比打分器更重要——打分器只能在已有候选中选择，候选集决定了分数上限
5. EP 是 90+ 的唯一瓶颈——当安全指标拉满后，唯一能优化的就是 EP；最近两年的方法论调研（第十一章）：多模态生成（+9.3）、难例子集 GRPO（+6.4）、打分选择（oracle 空间 +5）是三个最大单项杠杆
6. CLOVER 的闭式蒸馏是当前的最优方案——它消除了传统蒸馏的信息损失
7. 正视开环评测的局限性——Navtest 高分不等于实际部署能力（EP 超过人类 87.5 的部分是指标红利，见 11.4）

最后想说的是：排行榜上的数字只是一个参考。真正好的规划器，不仅要分数高，还要可解释、可控制、安全可靠。Scoring-based 范式在这方面有天然优势，这也是为什么它在学术界和工业界都受到关注。

如果你在刷 NAVSIM 的过程中有任何新的发现或不同的观点，欢迎交流。这个领域还在快速发展，现在的高分方法论也许明天就被超越了。

加油，期待在排行榜上看到你的名字。

本文基于 NAVSIM 2024-2026 年公开论文、排行榜数据和开源代码的分析。主体数据截止到 2026 年 7 月；第十一章（EP 增益方法论调研）数据补充至 2026 年 10 月 12 日，收录约 40 个方法的子指标时间线。