任少卿新论文提出MM-Future：让自动驾驶一次生成多组场景—动作假设

据量子位报道，任少卿以通讯作者身份参与的新论文《MM-Future: Multi-Mode Joint World–Action Modeling for Autonomous Driving》近日公开。论文第一机构为蔚来，提出多模式世界—动作联合模型，让自动驾驶一次规划中同时生成多组场景—动作假设，再选择最安全路径。

公开学术记录中，任少卿的代表性研究集中在2014—2016年，包括Faster R-CNN、ResNet等，此次是他时隔十年再次以通讯作者身份出现在论文中。论文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署名蔚来和中山大学，任少卿同时署名蔚来和中国科学技术大学AGI研究院。

论文要解决的问题是，同一驾驶场景下，系统需要处理的不仅是一条轨迹或一个确定未来。现有World–Action Model大致分两类：级联式先生成候选轨迹再预测未来场景，信息单向传递，后生成变量无法修正前面决策；联合式让场景和动作相互影响，但通常只生成一组结果。MM-Future一次生成多组配对场景—动作假设，每一组内部的场景和动作共同演化，再从中筛选。

论文将难点拆为多样性、计算成本和筛选。多样性上，模型在动作端建立Gaussian Mixture Noise、场景端使用独立噪声，并加入Best-of-Many监督。计算成本上，作者提出MM-Tokens，将多摄像头、多时间帧视觉特征压缩为面向规划的紧凑表示，不重建RGB图像，也无需恢复完整BEV。筛选上，Future-Conditioned Proposal Scorer同时读取历史信息和该轨迹专属的预测未来，候选之间不共享未来场景结果。

在NAVSIM-v1 navtest上，使用trainval数据训练的MM-Future获得94.0 PDMS，高于DriveFuture的90.7和DrivoR trainval的93.7；NAVSIM-v2上获得91.5 EPDMS，高于UniTeD的90.1和DriveFuture的89.9。消融实验显示，仅生成动作且单模式时PDMS为84.1，动作候选增至32种后为92.3；加入联合生成后单模式85.1、32模式92.9；评分器读取配对预测未来后升至93.3。多模式训练收敛更快，16/32模式达到0.80验证PDM分数约需3.8k steps，单模式需17.5k steps。

但多组未来假设带来额外计算成本。论文主模型一次采样64组场景—动作候选，在单张NVIDIA H800、batch size为1、bf16条件下，端到端前向延迟约233ms；16种候选延迟与单模式接近，32种后延迟明显提高。闭环测试中，MM-Future未针对HUGSIM微调，在436个场景上取得32.3平均HD-Score，高于Latent-WAM的28.9和UniAD的28.6，但平均Route Completion为44.5，低于Latent-WAM的45.9；Extreme难度下HD-Score为8.6，Latent-WAM为18.1。论文还指出MM-Tokens属于隐式场景表征，保留哪些规划信息仍难直接观察，作者计划增加辅助感知模块。

蔚来此前在2024年发布NIO WorldModel和NADArch 2.0，2025年加入全闭环强化学习，2026年初最新版NWM开始大规模推送。蔚来披露，截至今年9月，该智驾系统已部署到超过95万辆车。论文地址：https://arxiv.org/pdf/2609.20377。