序言为什么端到端训练方式如此革命性因为它让AI自己学会开车而不是靠人写规则。传统自动驾驶系统通常是“拼积木式”的先做感知识别物体、再做定位知道我在哪、然后规划路径、最后控制油门刹车……每个环节都由工程师手工设计规则一旦某个环节出错整个系统就可能崩溃。而“端到端”训练完全不同——它把摄像头图像直接输入神经网络输出就是方向盘转角和油门力度中间所有步骤都由AI自己摸索出来。就像教小朋友骑车你不告诉他“身体倾斜30度才能转弯”而是让他摔几次后自然掌握平衡。一个“自我进化”的过程AI 在开环、闭环虚拟环境中反复尝试通过最小化各种损失函数即减少错误逐渐形成一套属于自己的驾驶直觉。最终目标是在真实世界中也能像人类老司机一样灵活应对复杂路况。更重要的是这种方法能发现人类想不到的优化方案。比如某些弯道人类习惯提前减速但AI可能发现保持匀速反而更稳——这就是数据驱动的力量。一、UROVAs 模型三大创新1、长时序轨迹预测让AI司机“看得远、想得深”提前规划未来6秒甚至更久传统自动驾驶系统往往只关注“下一秒怎么开”容易在复杂路口或突发状况下反应不及。而 UROVAs 引入了长时序轨迹预测模块能一次性输出未来0.5s~6s内多个时间点的车速、方向、位置等完整行驶轨迹。✅ 就像老司机开车时会想“前面那个弯道我该提前减速不然3秒后可能失控。”❗ 而不是等到快撞上了才猛打方向盘。这个能力依赖于 Transformer 架构 时间嵌入编码让模型具备“记忆过去、推演未来”的时空建模能力。不仅提升安全性也让乘坐体验更平顺——因为车辆不会频繁急刹或突然变道。 价值点从“ reactive被动响应”升级为 “proactive主动预判”是迈向L4级自动驾驶的关键一步。2、显存极致优化用更少显卡跑更大模型训练效率翻倍成本直降70%端到端自动驾驶模型参数量巨大传统方法训练一次动辄需要8张A100跑一周成本高昂且难以部署到边缘设备。UROVAs 通过三大核心技术实现显存极致优化Flash Attention 变长序列加速 → 减少注意力机制计算冗余梯度检查点Gradient Checkpointing → 用时间换空间节省中间激活值存储混合精度训练 动态批处理 → 自动调整batch size和数值精度最大化GPU利用率。✅ 结果同样一块RTX 4090别人只能训小模型我们能跑满血版大模型✅ 训练速度提升2~3倍显存占用降低50%以上支持单卡迭代开发 价值点让高校实验室、初创公司也能负担得起高端自动驾驶研发推动技术民主化。3、强化学习驱动决策进化不靠规则写死而是让AI自己“试错成长”越开越聪明。大多数自动驾驶系统依赖人工编写的规则库如“红灯停、绿灯行”但在真实世界中总有例外比如交警手势、临时施工。UROVAs 创新性地引入 GRPOGroup Relative Policy Optimization强化学习策略让AI在仿真环境中自主探索最优驾驶行为。✅ 它不像传统RL那样追求“绝对高分”而是通过“组内排名比较”来稳定更新策略 —— 更安全、更高效、更适合连续控制任务。✅ 每次训练都是一场“虚拟驾考”AI不断尝试不同操作根据碰撞率、舒适度、合规性等综合奖励自我修正。最终效果AI不仅能应对标准场景还能学会人类都没想到的“骚操作”——比如在拥堵路段巧妙穿插、在无标线道路自然跟随前车、甚至在雨雪天自动降低跟车距离。 价值点打破“规则天花板”让系统拥有真正的“驾驶直觉”向通用人工智能AGI迈出坚实一步。 一句话总结UROVAs 看得远的脑子长时序预测 省钱的身体显存优化 自学的灵魂强化学习—— 三位一体重新定义端到端自动驾驶的新范式二、UROVAs 端到端自动驾驶模型让汽车像人类一样“看路、思考、驾驶”。1、什么是 UROVAs 自动驾驶模型想象一下一个正在学习开车的新手司机他需要用眼睛观察路况感知理解其他车辆和行人的意图预测然后决定如何打方向盘、踩油门规划。UROVAs 就是这样一个模仿人类驾驶过程的“AI司机”但它比人类学得更快、看得更远。这个模型的核心创新在于它采用了“端到端”的学习方式——就像让一个学生直接观看教学视频然后自己学会开车而不是被灌输一堆零散的交通规则。UROVAs通过分析海量的真实驾驶数据目前已经学习了2.8万个道路场景逐渐掌握了在各种复杂路况下的驾驶技巧。更厉害的是UROVAs引入了最新的 Transformer、mamba2技术——这就像给AI司机装上了“超级大脑”能够同时处理多个任务。比如在繁忙的十字路口它要同时关注前方车辆、侧方行人、交通信号灯还要规划自己的行驶路线。Mamba2 让训练复杂度线性降低这个过程变得又快又准就像经验丰富的老司机一样从容不迫。2、UROVAs 模型是如何学习和进步的如果你看过AI的训练过程一定会惊讶于它的成长速度。UROVAs 的训练就像一位新司机从驾校到上路的完整历程第一阶段基础训练前1500次练习在这个阶段UROVAs 的表现就像刚摸方向盘的新手。数据显示它的“犯错指数”我们称之为损失值从28快速降到了23相当于新手司机在短短几小时内就掌握了基本的油门、刹车配合。它开始能识别出汽车、行人、交通标志这些基本元素虽然反应还不够敏捷但已经不会把红灯当成绿灯了。第二阶段技能提升1500次到2万次练习这是进步最快的阶段。UROVAs的各项能力开始均衡发展车辆检测准确率提高了24%——从“能看见车”升级到“能判断车的速度和方向”道路结构理解提升了22%——不仅知道车道线在哪还能预测前方弯道的走向整体表现提升了17%——就像一个练了三个月的新手已经能在教练陪同下上路了第三阶段精细优化2万次以后这时候的UROVAs已经相当老练了。它的反应速度稳定在每 260 毫秒处理一个复杂场景比人类眨眼的功夫还快。更重要的是它的学习过程非常稳定就像一个不会疲劳、永远专注的“完美学员”。3、UROVAs 模型能为未来的自动驾驶带来什么UROVAs不仅仅是一个实验室里的研究项目它正在为真正的自动驾驶汽车铺平道路首先它让驾驶决策更“人性化”传统的自动驾驶系统往往是把感知、决策、控制分开处理就像接力赛一样每棒交接都可能出错。而UROVAs采用端到端的学习方式直接从“看到”的场景得出“怎么做”的结论更接近人类的思维方式。测试显示它在处理复杂路口、突发状况时的反应更自然、更流畅。其次它能同时处理多个任务在真实驾驶中司机要同时处理无数信息前方车辆突然刹车、右侧有自行车靠近、导航提示前方路口要转弯...UROVAs通过集成最新的Transformer、Mamba2技术能够像经验丰富的老司机一样同时处理这些信息而不会手忙脚乱。它的“多任务处理”能力让自动驾驶变得更安全可靠。最后它会越来越聪明UROVAs 在设计中引入了强化学习的能力我们称之为GRPO。这意味着它不仅能从历史数据中学习还能在实际驾驶中不断总结经验、优化决策。就像老司机开车多年后对各种路况都了然于胸。未来的UROVAs会在每一次驾驶中都变得更聪明、更安全。目前UROVAs已经完成了超过8000次的“虚拟驾驶训练”各项指标都在稳步提升。虽然距离完全自动驾驶还有一段路要走但它正在以惊人的速度成长。也许不久的将来当你坐在自动驾驶汽车里时背后就是像UROVAs这样的“AI司机”在为你保驾护航。4、训练数据集及过程截图开环环境nuScenes下载的中型规模数据集闭环环境Bench2Drive下载的中型规模数据集模型裁剪到1亿参数14G显卡也能训练起来。三、GRPO 强化学习是什么GRPOGroup Relative Policy Optimization 强化学习策略 —— 它是 UROVAs 端到端自动驾驶算法中“让AI自己学会开车”的核心引擎之一。想象你在教一个机器人司机开车你让它开10次同一段路。每次它都会得到不同的“表现分”比如是否撞车、是否超速、是否平稳。GRPO 的做法是不跟“绝对标准”比而是跟“同组其他尝试”比—— 哪几次开得更好哪几次更差然后奖励好的、惩罚差的。✅ 简单说GRPO “小组内卷式学习”不是看“你有没有达到90分”而是看“你是不是比同组其他人考得好”。1、为什么需要 GRPO在强化学习中最经典的方法是PPOProximal Policy Optimization它通过“限制每次更新幅度”来防止AI学歪。但 PPO 有个缺点❗ 它依赖“优势函数”Advantage Function也就是要估算“当前动作比平均好多少”。这个估算很容易不准尤其在复杂环境如自动驾驶里会导致训练不稳定或收敛慢。而 GRPO 的创新点在于不用估算“绝对优势”只用比较“组内相对优劣”→ 更稳定、更高效、更适合高维连续控制任务比如方向盘角度油门刹车的组合2、GRPO 怎么工作假设我们让 AI 司机跑 4 次同样的路线得到四个“回报值”RewardStep 1分组 排序尝试1: 得分 85尝试2: 得分 92 ← 最好尝试3: 得分 78尝试4: 得分 88把这4次当成一组按得分排序 → [78, 85, 88, 92]Step 2计算“相对优势”不是算“每个动作比平均值高多少”而是算“我这个动作在组里排第几名”比如尝试292分→ 排名第1 → 给最大正奖励尝试378分→ 排名第4 → 给负奖励甚至惩罚中间的两个 → 给中等奖励这样就不需要精确估计“理论最优值”只需要知道“谁比谁强”就行Step 3更新策略根据这些“相对排名奖励”调整神经网络参数让未来更可能做出“高分动作”。3、GRPO 参数是什么意思在你提供的代码截图中有这些关键参数self.grpo_gamma grpo_gamma # 折扣因子未来的奖励打几折self.grpo_lam grpo_lam # GAE lambda平衡即时/长期奖励self.grpo_clip_eps grpo_clip_eps # 裁剪范围防止更新太大self.grpo_entropy_coef grpo_entropy_coef # 熵系数鼓励探索新动作self.grpo_value_coef grpo_value_coef # 价值函数权重辅助判断好坏self.grpo_update_epochs grpo_update_epochs # 每组数据重复训练几轮self.grpo_minibatch_size ... # 小批量大小self.grpo_batch_size ... # 总批次大小 举个生活例子grpo_gamma0.99→ 就像老师说“明天的表现也很重要但今天更重要。”grpo_clip_eps0.2→ 就像规定“每次改进不能超过20%别一下子改太多翻车了。”grpo_entropy_coef0.01→ 就像鼓励学生“偶尔试试新路别总走老套路。”4、为什么 GRPO 特别适合自动驾驶因为自动驾驶是一个✅ 高维连续动作空间方向盘±360°油门0~100%✅ 多目标优化安全、舒适、效率、合规✅ 环境高度不确定行人突然冲出、前车急刹传统 RL 方法在这种环境下容易“震荡”或“陷入局部最优”而 GRPO 的“组内相对比较”机制天然具有✅ 更强的鲁棒性不怕噪声干扰✅ 更快的收敛速度直接对比优劣无需建模✅ 更好的泛化能力适应不同路况5、一句话总结GRPO 就是让 AI 司机在一个“模拟考场”里反复跑同一道题然后根据“谁跑得最好”来决定下次怎么开——不追求完美分数只追求“比别人强一点”从而稳步进化成老司机四、CARLA 闭环仿真测试 测试一个自动驾驶AI能不能自己开车走完一段路。想象你教了一个机器人司机叫“Agent”让它从A点开到B点。现在你要看看它能不能成功完成任务——这就是“闭环测试”关键信息拆解如下1、启动游戏引擎第1行是在启动CARLA一个模拟真实驾驶环境的虚拟世界就像打开一个“赛车游戏”但里面跑的是你的自动驾驶算法。2、准备测试路线第7~9行说“正在准备第1条测试路线RouteScenario_1”然后加载地图、设置好你的AI司机。3、加载训练好的 UROVAs 模型权重第12行显示它从一个文件 iter_14891.pth 加载了之前训练好的“大脑”——也就是这个AI已经学过怎么开车了现在是来考试4、开始跑路线 实时汇报进度从第14行开始每一行都是AI在“边开边报告”“Wallclock” 是现实时间比如早上9点09分“Game time” 是游戏里过了多久比如0.05秒、0.1秒…慢慢增加“Ratio” 是游戏速度和现实速度的比例这里非常慢说明是精细测试或调试阶段第一次尝试就成功了第16行写着“SUCCESS! Reached within 3.17m of target” —— 意思是AI司机第一次就跑完了路线而且离终点只差3米多算合格5、继续重复测试后面几行17~26是它在反复跑同一条路每次记录位置和时间可能是为了验证稳定性或者收集数据。✅ 总结一句话这是一个自动驾驶AI在虚拟世界里“考驾照”它加载了自己学过的技能第一次上路就顺利开到终点附近系统还在持续记录它的表现确保它不是蒙对的而是真的会开五、与 2025 SOTA 模型性能对比三个自动驾驶AIUROVAs、MomAD、SparseDrive谁更“稳”不容易撞车。想象你让三个机器人司机在同样的路上开6秒钟每0.5秒检查一次它们有没有偏离路线或差点撞上东西——这个“危险程度”就叫“碰撞率”col. collision rate数值越小越好 表格怎么看第一行是时间点从开车后0.5秒、1.0秒……一直到6.0秒。最后一列 “avg” 是平均值代表整个6秒内的整体表现。每一行是一个AI的名字urovas-col. → 我们的主角 UROVAs 的碰撞率MomAD -col. → 另一个叫 MomAD 的AISparseDrive → 第三个叫 SparseDrive 的AI✅ 关键结论UROVAs 最安全它的平均碰撞率只有 0.277%远低于另外两个MomAD 是 0.568%SparseDrive 是 0.907%。也就是说它几乎不犯错随着时间推移所有AI都更容易出错比如 UROVAs 在第0.5秒时只有0.024%的风险但到第6秒时升到2.900% —— 这说明越开越难控制很正常。备注同等条件下开闭环测试现在是2025年12月也许工程界的端到端模型性能会好一些但问题依然严重完全商业化的路还很长。UROVAs 始终领先不管哪个时间点它的数字都是最小的。比如在3秒时它是0.624%而SparseDrive已经高达1.584%了——差了一倍多这是同等实验环境比较当然momad/sparsedrive论文呈现的数据略有不同 总结一句话在这场“自动驾驶安全大比拼”中UROVAs 表现最稳、最少出错全程碾压对手是个靠谱的新手司机六、实车部署1、UROVAs 无人快递小车2025年8月1日自己设计的无人快递小车成型。2、UROVAs 自动驾驶系统和模型部署模型共训练2个月2025年10月3日进入细化调试训练期12月初模型性能打到预期。图为小伙子迫不及待想部署系统和算法。Apollo 10 先行模拟部署3、UROVAs 自动驾驶系统与线控底盘联调4、实车测试效果视频请转到B站链接【UROVAs端到端自动驾驶实测-哔哩哔哩】 https://b23.tv/5rj9nfA5、下一步工作计划终于补齐了 2025 年的工作内容目前正在开发无图无信号场景的智驾。同时也在基于世界模型提供的自动驾驶高危场景数据训练 UROVAs VLA 模型。