端到端自动驾驶VLA模型：技术解析与模型设计

1.前言

2025年被称为“VLA上车元年”，以视觉语言动作模型（Vision-Language-Action Model, VLA）为核心的技术范式正在重塑智能驾驶行业。VLA不仅融合了视觉语言模型（VLM）的感知能力和端到端模型的决策能力，更引入了“思维链”技术，实现了全局上下文理解与类人推理能力，革命性技术的落地将推动智能驾驶从“功能时代”迈向“体验时代”，并可能在未来两年内改写智能驾驶市场的竞争格局。2025年的智能驾驶：VLA上车元年

视觉语言动作模型（VLA）由 DeepMind 在 2023 年首次提出，应用于机器人领域，通过视觉与语言输入生成物理世界可执行的动作。VLA 模型被视为视觉语言模型（VLM）与端到端（End-to-End, E2E）技术的结合体，核心特性：

• 多模态感知与决策࿱