该研究充分验证了静态轨迹词表规模化、高密度优化的巨大潜力，跳出了动态生成方案的固有思维局限，构建了一套简洁高效、性能优异、可规模化扩展的纯评分式端到端自动驾驶规划新范式。继研究论文《SparseDrive: End-to-End Autonomous Driving via Sparse Scene Representation》在国际机器人顶会ICRA 2025发表后，论文《SparseDriveV2: Scoring is All You Need for End-to-End Autonomous Driving》被国际计算机视觉顶会ECCV 2026正式录用，配套算法代码与训练模型已全面开源。
当前，端到端自动驾驶多通过多模态候选轨迹评分机制，完成驾驶行为不确定性的建模工作，但现有主流规划算法始终面临核心技术瓶颈，陷入两难困境。传统静态轨迹词表方案受限于计算资源，动作空间离散化粒度粗糙，难以适配复杂多变的真实驾驶场景；而动态轨迹生成方案虽能输出细粒度的候选轨迹，却需依托额外网络组件或迭代去噪运算，大幅提升了模型结构复杂度与推理计算成本，不利于算法的轻量化落地。
针对这一行业共性难题，研究团队以经典评分式规划方法为基础，开展系统性规模化消融研究。实验验证发现，在计算资源约束阈值内，随着轨迹锚点密度提升，模型规划性能可实现持续稳定提升，且无性能饱和现象，这一结论为静态轨迹词表方案的优化升级提供了核心理论支撑。
基于该关键发现，团队重磅推出SparseDriveV2算法，从轨迹表征与评分策略两大维度突破了传统评分式自动驾驶规划方法的性能上限。
一方面，创新引入因子化轨迹表征结构，将完整驾驶轨迹解耦为几何路径与速度序列两大独立模块，通过1024组路径锚点与256组速度锚点的全维度组合，彻底解决了传统静态方案覆盖不足的问题。
另一方面，搭建分层可扩展智能评分体系，先对独立路径、速度模块开展粗粒度因子化评分，快速筛选高价值候选组合，再对融合后的完整轨迹进行细粒度精准评分与条件优化，在精准建模驾驶时空关联特征的同时，严格控制算法计算开销。同时，算法采用可变形聚合模块完成路径与场景的交互建模，性能显著优于传统多头交叉注意力机制。
Sparse DriveV2框架总览图
实验表明，以轻量ResNet-34为骨干网络的SparseDriveV2在业界各个主流数据集上都展现出优异的性能：在开环评测榜单NAVSIM v1/v2，SparseDriveV2不仅显著超过了之前最优的静态词表类方法如DriveSuprim，也超越了性能优异的动态生成类方法如DiffusionDriveV2和ipad；在Bench2Drive闭环测试平台中实现89.15的综合驾驶评分与70%的驾驶成功率，全方位超越Hydra-MDP、DiffusionDriveV2、ipad等业界前沿算法。
目前，团队正结合企业需求及苏州智能网联测试道路协同攻关，开展多场景实车验证及应用，不断提升自动驾驶安全性及综合水平。
Sparse DriveV2典型结果
论文链接
https://arxiv.org/abs/2603.29163
代码开源
https://github.com/swc-17/SparseDriveV2
编辑：孙稳超、任海兵
审核：郑四发
