UniAD 证明了端到端可行，但它跑不快。VAD 换掉了中间表示——不再用一格格的栅格，而是用一条条的向量。结果是快 9.3 倍，而且更安全。这是学术端到端走向量产的关键一步。
上一篇我们花了很大篇幅讲 UniAD 的架构哲学有多好——planning-oriented、query 串联、端到端可导。但读到最后那节局限时你应该注意到了第一条：太重，跑不到实时。
具体有多重？UniAD 只有 1.8 FPS。也就是说处理一帧要半秒多。
车速 60km/h 时，半秒钟车已经开出去 8 米多。等你算完这一帧该怎么走，车早就到了另一个位置——决策永远滞后于现实。
量产系统通常要求感知规划链路至少 10 FPS 以上。1.8 FPS 意味着 UniAD 是一篇优秀的学术论文，但不是一个可以装车的产品。
回想 UniAD 的中间表示：
这些都是稠密的栅格化表示——不管那一格有没有东西，都要老老实实算一遍。而真实道路上，绝大多数格子是空的。你花了 90% 的算力去确认"这里什么都没有"。
更微妙的问题是：栅格化丢失了实例级的结构信息。一条车道线在栅格图里变成了一片被点亮的像素，"它是一条连续的线、有方向、有起点终点"这些结构信息被抹掉了。规划模块拿到的是一张热力图，而不是"这里有一条向左弯的车道线"。
VAD 的解法一句话说完：把场景里的一切都表示成向量（矢量），而不是栅格。
这就是 位图（PNG）与矢量图（SVG） 的区别。
画一条直线：位图要存下这条线经过的每一个像素；矢量图只要存起点、终点两个坐标。文件小得多，放大不失真，而且你还能直接问它"这条线的方向是什么"——因为方向是显式存在的属性，不用从像素里反推。
VAD 对驾驶场景做的，就是从 PNG 换成 SVG。
这个改动带来两个好处，论文摘要里说得很清楚：
注意第二点：VAD 不只是"为了快而换表示"，换了表示之后，它解锁了一种全新的、更直接的安全约束方式。这是这篇论文最聪明的地方。
VAD 的整体流程前半段和你已经熟悉的东西一样：多帧多视角图像 → 骨干网络提特征 → 一组 BEV query 把图像特征投影到 BEV 空间。这一步就是 BEVFormer 那一套。
分岔发生在 BEV 之后。VAD 用两组 query 学习矢量化表示：
每个 map query 负责预测一个地图实例（一条车道分隔线、一段道路边界、一个人行横道），输出形式是一组有序的点（polyline）。
这个思路直接继承自 MapTR ——那篇论文的关键洞察是：地图实例的点集具有排列不变性（一条线从左往右数还是从右往左数，是同一条线），据此可以同时预测所有地图元素，不用像早期方法那样自回归地一个个吐。
每个 agent query 负责一个交通参与者，输出它的属性（位置、朝向、尺寸、类别）和未来轨迹向量（多模态的候选轨迹，每条是一串未来路点）。
论文原话的意思是：VAD 摆脱了对稠密地图和手工设计后处理的依赖。
UniAD 的占据栅格要转成规划能用的代价图，中间需要不少手工设计的转换逻辑。VAD 直接输出向量，规划模块可以直接消费，链路更短、更干净、也更容易部署——没有手工后处理，意味着没有难以量化的工程 trick，模型行为更可预测。
这一节是 VAD 的灵魂。前面讲的"矢量表示更快"只是副产品，真正的贡献是：矢量表示让你可以直接写出显式的、几何意义明确的安全约束。
UniAD 的碰撞损失是"轨迹别经过高占据概率的格子"——这是在一片代价场里找低洼处。问题是：代价场是模糊的，你无法表达"距离那辆车至少保持 2 米"这种精确的几何关系，也无法表达"别越过这条边界线"这种实例级的规则。
而一旦场景是矢量的，这些就都能直接写出来了。VAD 提出了三个约束：
把规划出的自车轨迹和 MotionFormer 预测的他车轨迹向量逐时刻比对。同一时刻两者距离低于安全阈值就惩罚。
关键：这是时空对齐的比较——不是"别去那辆车现在的位置"，而是"3 秒后我到那里时，它也会在那里吗"。
规划轨迹如果压到或越过道路边界向量，就惩罚。因为边界是显式的折线，"有没有越过"是一个可以精确判定的几何问题。
计算规划轨迹的行进方向与所在车道向量方向的夹角，夹角过大就惩罚。这直接编码了"要顺着车道开、不能逆行、不能大角度斜穿"这条交规。
注意：车道有方向这件事，只有在矢量表示里才是显式的。栅格图里一条车道线就是一片像素，没有"方向"这个属性。
从"在代价场里导航"变成了"满足一组几何约束"。
前者是软性的、模糊的、难以解释的；后者是明确的、可计算的、人能看懂的。当规划出问题时，你可以直接查是哪一条约束被违反了——这对量产系统的可调试性至关重要。
这个演示把上一节的三个约束跑活了。切换不同的候选轨迹，右边会实时显示哪些约束被违反、哪些满足，以及对应的损失。
注意"激进超车"那条：它可能不越界、方向也对，但会在时空上撞进他车的预测轨迹。这正是约束一存在的意义——安全不是"别碰现在的障碍物"，而是"别去未来会被占据的地方"。
这也解释了为什么 VAD 必须先有矢量化的运动预测，才能有这个约束——三个约束全都建立在矢量表示之上，缺了矢量化，这套约束根本写不出来。
VAD 的总损失由六项加权组成，结构非常清晰：
L = ω₁·L_map + ω₂·L_mot + ω₃·L_col + ω₄·L_bd + ω₅·L_dir + ω₆·L_imi
━━━ 矢量化场景学习 ━━━
L_map 地图学习 # 曼哈顿距离回归 + focal loss 分类
L_mot 运动预测 # 他车轨迹回归
━━━ 矢量化约束（VAD 的核心创新）━━━
L_col 碰撞约束 # 与他车轨迹保持安全距离
L_bd 边界约束 # 不越过道路边界
L_dir 方向约束 # 顺着车道方向开
━━━ 模仿学习 ━━━
L_imi 模仿损失 # L1 损失，向人类专家轨迹靠拢L_imi 负责"像人一样开"，三个约束负责"绝对不能犯的错"。
这个分工和 UniAD 的"模仿损失 + 碰撞损失"是同一个思路，但 VAD 把"硬约束"这一侧拆得更细、定义得更精确——从一个笼统的碰撞代价，变成三条各有明确几何含义的规则。
从工程角度看这是个巨大改进：每条约束的权重可以单独调。车在实车测试中如果总是压线，就调大 ω₄；如果跟车太近，就调大 ω₃。可调试、可归因——这是量产系统最看重的性质。
在 nuScenes 开环规划评测上，VAD 相比 UniAD 的提升是全方位的：
| 模型 | 推理速度 | 平均规划位移误差 | 平均碰撞率 |
|---|---|---|---|
| UniAD | 1.8 FPS | 1.03 m | 0.31% |
| VAD-Base | 4.5 FPS（2.5×） | 0.72 m（↓30.1%） | 0.22%（↓29.0%） |
| VAD-Tiny | 16.8 FPS（9.3×） | 0.78 m | 0.38% |
两个版本代表两种取舍：VAD-Base 追求精度（比 UniAD 又快又准）；VAD-Tiny 追求速度（快 9.3 倍，精度与 UniAD 相当）。16.8 FPS 已经进入了可以认真讨论量产的区间。
论文注明：VAD 的 FPS 在 RTX 3090 上测量，而 UniAD 的 FPS 在 A100 上测量。
A100 是数据中心级卡，通常比 3090 更强。所以这个对比对 VAD 而言是偏保守的——如果同卡对比，差距只会更大不会更小。
但作为读者你应该养成这个习惯：看到性能对比先看测试条件。很多论文的加速比是在不同硬件、不同 batch size、不同精度下测的，不能直接横比。这种较真的态度，面试时聊到某篇论文的数字，会显得你真的读过而不是看了摘要。
论文的消融专门验证了两件事：ego-agent 交互和 ego-map 交互在规划模块中都是必要的——也就是说，自车 query 必须同时和他车 query、地图 query 做注意力交互，缺一个都会掉点。这印证了 UniAD 那条"感知为预测服务、预测为规划服务"的主线在 VAD 里同样成立。
还记得你问过"从深圳龙岗到广州，导航算出的路线怎么和自动驾驶结合"吗？当时我讲了全局导航 → 局部坐标 → token 的转换链路。VAD 就是这套做法在学术上的标准形态。
VAD 的规划模块除了吃感知信息，还接收一个高层驾驶指令作为条件输入——通常是"直行 / 左转 / 右转"这类离散类别。
想象车开到一个十字路口，前方畅通、左边畅通、右边也畅通。光靠感知，模型无法知道该往哪走——三个方向从安全角度看都合法。
导航指令解决的就是这个意图歧义：它不告诉车"怎么开"（那是感知和规划的事），只告诉车"往哪个方向去"。
把这条线和你已经学的串起来：
| 层级 | 谁负责 | 输出什么 |
|---|---|---|
| 全局路线 | 高德/百度等导航服务 | 道路级路线（走哪条路、哪个匝道） |
| 坐标转换 | 车端定位模块 | 转成车身局部坐标（前方 X 米、右侧 Y 米） |
| 驾驶指令 | 从路线中提炼 | 离散类别：直行/左转/右转 ← VAD 吃的就是这个 |
| 轨迹规划 | VAD 的规划模块 | 未来几秒的精确路点 |
| 控制 | PID / MPC | 方向盘、油门、刹车 |
所以你当时那个疑问的完整答案是：导航不直接开车，它提供的是"意图"这一层的条件信号，和感知信息一起送进规划模块。VAD 用离散指令，后来的 VLA 把它编码成 token——形式在演进，但"导航负责意图、感知负责当下"这个分工没有变。
回顾这条完整的技术演进链：
| 论文 | 解决的核心问题 | 留下的问题 |
|---|---|---|
| Transformer | 序列建模的通用机器 | O(n²)，长序列吃不消 |
| ViT | 图像变 token | 需要海量数据 |
| LSS | 多相机融进 BEV（几何路线） | 深度预测不准 |
| BEVFormer | 用注意力做 BEV，含时序 | 只有感知，没有规划 |
| UniAD | 全栈端到端、为规划服务 | 太慢（1.8 FPS） |
| VAD | 矢量化提速 + 显式安全约束 | 仍是开环评测、仍依赖标注 |
一句话串起来：UniAD 证明了端到端可行，VAD 证明了端到端可以又快又安全。前者是学术里程碑，后者是通往量产的桥。
VAD 出自华中科技大学 + 地平线。地平线是国内头部的智驾芯片与方案供应商——这不是纯学术论文，是带着量产诉求做的研究。
这也解释了它为什么如此在意 FPS、为什么要把约束拆成可单独调权重的三条、为什么强调"摆脱手工后处理"。这些都是量产工程师的关切，不是刷榜研究者的关切。
你要投的"智驾算法工程化/部署"类岗位，读这篇比读纯学术论文更有共鸣——它展示的正是"怎么把算法做到能上车"的思维方式。
算力（空白区域是否浪费）+ 结构信息（实例级属性是否保留）两个层面都要说到。位图 vs SVG 这个比方能帮你记牢。
碰撞、越界、方向。要能说出每一条为什么只有矢量表示才写得出来。
9.3× 提速、误差 ↓30.1%、碰撞率 ↓29.0%。并记得补一句测试硬件不同的caveat——这个细节最能体现你读得细。
解决意图歧义，不管"怎么开"只管"往哪去"。这题连着你的实际生活场景，最好答。
按清单，接下来可以读 DriveVLM（大模型上车、快慢双系统）——它是从这套"模块化端到端"通向你最关心的 VLA / FSD v14 / 小鹏 VLA 2.0 的桥梁。到那一篇，整条线就真正接到 2026 年的量产前沿了。