扩散驾驶VLA中的场景自适应读出与解码

针对扩散驾驶视觉-语言-动作模型在每个去噪阶段重复执行主干、推理开销大的问题，作者分析了轨迹读出在网络深度和解码进度上的差异，发现深度-解码解耦现象：首轮前向传播后，后层表示已能支持有用的轨迹读出，而前层表示更受益于继续解码，且偏好的读出层与解码深度随场景变化。基于此提出场景自适应读出与解码框架，用场景条件读出MoE在单次主干前向后自适应加权组合后层轨迹预测，仅在场景需要时执行额外原生细化。在Waymo E2E和nuScenes两个基准、两个扩散驾驶VLA上评估，验证集RFS最高提升0.56，测试性能也有提升，Waymo E2E上端到端加速最高6.0倍，nuScenes上轨迹误差持续降低。