任少卿时隔十年再任通讯作者发布自动驾驶论文

任少卿指导的论文《MM-Future: Multi-Mode Joint World–Action Modeling for Autonomous Driving》近日发布，第一机构为蔚来。论文提出多模式世界—动作联合模型，让自动驾驶同时生成多组轨迹及其对应的未来场景。任少卿此前代表性工作集中于2014年至2016年的Faster R-CNN、ResNet等视觉研究，此次时隔约十年再次担任相关论文通讯作者。

传统World–Action Model主要分为级联式和联合式：前者能产生多个结果，但场景与动作只能单向传递；后者支持双向影响，却通常只生成一组结果。MM-Future为每种候选建立配对的场景—动作假设，使车辆动作和环境变化持续相互修正，再从多个可能未来中选择方案。

为获得多样结果，模型在动作端使用基于训练轨迹分布的Gaussian Mixture Noise，场景端使用独立噪声，并通过Best-of-Many监督，让动作流和场景流共享同一个最优候选索引。该设计避免所有候选被同一条真实轨迹拉拢，同时保持每条轨迹与其未来场景的配对关系。

模型还引入MM-Tokens，将多摄像头、多时间帧的视觉信息压缩成面向规划的紧凑表示，不负责RGB重建或完整BEV恢复，重点保留道路、路口、前车和交通参与者等信息。modality-aware Transformer负责动作流与场景流交互，不同模式之间不交换Token；Future-Conditioned Proposal Scorer则只读取每条轨迹配对的未来进行评分。

完整推理流程包括编码历史观测、生成多组场景—动作结果、结合历史与配对未来评分，以及输出最高分轨迹。论文在NAVSIM-v1 navtest取得94.0 PDMS，高于DriveFuture的90.7和DrivoR的93.7；NAVSIM-v2取得91.5 EPDMS，高于UniTeD的90.1和DriveFuture的89.9。

消融实验显示，仅生成动作且只有单一模式时PDMS为84.1，增加至32种候选后升至92.3；加入场景—动作联合生成后，单模式为85.1、32模式为92.9；再让评分器读取配对未来，指标升至93.3。评分器对TTC改善最明显，说明未来场景有助于排除交互风险。16模式和32模式达到0.80验证PDM约需3.8k steps，单模式则需17.5k steps。

代价是计算量增加：主模型一次采样64组候选，在单张NVIDIA H800、batch size 1、bf16条件下端到端延迟约233ms，16组接近单模式，32组后明显上升。未针对HUGSIM继续微调时，模型在436个场景取得32.3平均HD-Score，高于Latent-WAM的28.9和UniAD的28.6，但Route Completion为44.5，低于45.9；Extreme难度HD-Score为8.6，低于18.1。

团队主要来自蔚来智能驾驶基础模型预研团队。第一作者Shuai Liu同时来自蔚来和中山大学，曾以第一作者发表并获NeurIPS 2025接收的GaussianFusion；Hechangle Gong同时署名蔚来和北航，其余作者包括Hao Jiang、Runlin He、Junxiang Zhan、Sheng Yang及中山大学的Kai Huang。论文通讯作者任少卿现为中科大讲席教授、通用人工智能研究所所长及蔚来智能驾驶业务负责人。

论文认为，MM-Tokens的隐式表征仍不易解释，极端场景稳定性和真实道路表现也有待验证。蔚来于2024年发布NIO WorldModel和NADArch 2.0，2025年加入全闭环强化学习，2026年初推送新版NWM；截至今年9月，相关系统已部署到超过95万辆车。MM-Future展示了世界模型从预测未来走向参与规划，再到联合比较多种动作及其后果的演进路径。