Qwen-Drive-1.0-4B: otevřený model pro autonomní řízení odděluje vnímání od plánování

Qwen-Drive-1.0-4B je vision-language model (VLM) Alibaba Qwen určený pro výzkum autonomního řízení, vyvinutý společně s Huazhong University of Science and Technology. Namísto přetrénování modelu Qwen3.5-4B do neprůhledného end-to-end systému zachovává společný multimodální základ a připojuje k němu externí moduly pro vnímání okolí z pohledu shora (BEV) a pro plánování pohybu. Váhy i doprovodný software jsou vydány pod licencí Apache 2.0. 101115

Jeden společný VLM, dva připojitelné moduly

Sdílený model Qwen3.5-4B zpracovává obraz i text. Umí odpovídat na otázky nad obrazem, včetně dotazů k dopravním scénám, a poskytuje reprezentace pro navazující jízdní komponenty. Cílem návrhu je rozšířit schopnosti pro řízení, aniž by bylo nutné nahradit obecnou multimodální architekturu základního modelu. 1011

Systém rozšiřují dva externí moduly:

• BEV perception head: Hlava ve stylu BEVFormeru zpracovává reprezentace z kamer rozmístěných kolem vozidla. Vytváří 3D detekce, sémantickou obsazenost prostoru a segmentaci mapy v BEV. Dokumentace uvádí až 300 3D boxů v sedmi sjednocených třídách, mřížku obsazenosti 200 × 200 × 16 pro deset tříd a mapový rastr o rozsahu 60 m × 30 m s rozlišením 0,15 m pro šest tříd. 18
• Planning Expert: Samostatný modul vytváří budoucí trajektorie vlastního vozidla ze sdílených reprezentací. Trajektorie jsou převedeny na jednotný cíl: 50 pozic vozidla v jeho vlastním souřadném systému — poloha a orientace — se vzorkováním 10 Hz po dobu pěti sekund. Díky tomu lze veřejné jízdní datasety s rozdílnými formáty používat pro společný plánovací cíl. 111

Toto rozdělení je podstatné hlavně pro výzkum. Lze samostatně zkoumat vnímání a plánování, porovnávat přímé plánování s plánováním podmíněným textovým odůvodněním nebo měnit jednotlivé moduly, aniž by se zasahovalo do jádra VLM.

Rozdíl mezi planner-sft a planner-rl

Qwen nabízí dvě varianty plánovače nad stejným základem:

• planner-sft je Planning Expert trénovaný supervidovaně, tedy imitací ukázkových jízd. Umí generovat trajektorie přímo i po vytvoření textového zdůvodnění modelem. 117
• planner-rl je dále optimalizován pomocí odměn vůči cílům zaměřeným na benchmarky. Dokumentace jej doporučuje používat v režimu plánování podmíněného odůvodněním, protože optimalizační průchody byly podmíněny vzorkovaným reasoningem. 117

Rozdíl objasňuje důležitý kompromis ve vyhodnocení. Optimalizace podle odměny může zlepšit skóre souladu s preferencemi nebo metriky blízké simulaci uzavřené smyčky, a přitom mírně zhoršit chybu vůči zaznamenané lidské trajektorii v režimu open loop. Tyto metriky odpovídají na jiné otázky: nižší odchylka od zaznamenané trasy automaticky neznamená lepší výsledek v preferenčním či uzavřeném hodnocení. 1

Tři režimy spuštění

Veřejný cookbook popisuje tři režimy inference: 17

Režim	Co se spouští	Výstup
VQA	Pouze VLM	Textová odpověď
DIRECT_PLANNING	Jeden průchod VLM, poté Planning Expert	Trajektorie
REASONING_PLANNING	VLM nejprve vytvoří odůvodnění, expert pak pracuje i s tímto kontextem	Odůvodnění a trajektorie

Všechny režimy používají stejnou síť. Liší se tím, zda vznikne textové odůvodnění a zda plánovač dostane reprezentace zahrnující tento vygenerovaný kontext. 17

Trénink a sjednocení anotací

Qwen popisuje vícestupňový trénink, který kombinuje 3D vnímání specifické pro řízení, VQA nad jízdními scénami a supervizi plánování s obecnými obrazově-textovými daty. Pipeline převádí různorodé štítky vnímání na společnou taxonomii, upravuje odpovědi ve driving VQA kvůli konzistenci a sjednocuje trajektorie z veřejných datasetů do společného formátu bodů trasy. 111

Záměrem je skloubit specializaci se zachováním obecných schopností: model by měl lépe rozumět dopravním scénám a plánovat pohyb, aniž by ztratil obecné obrazově-jazykové schopnosti základního VLM. Dostupné materiály ukazují, že šlo o cíl návrhu a vyhodnocení, samy o sobě však nedokládají nezávislé a úplné výsledky napříč všemi benchmarky obecných znalostí či prostorového uvažování. 111

Co ukazují zveřejněné výsledky — a co ne

Podle výsledků uváděných samotným projektem dosáhl RL plánovač v NAVSIM v1.1 skóre PDMS 90,7 oproti 88,2 u SFT plánovače. Při výběru nejlepšího ze šesti vzorků vzrostly hodnoty na 91,4, respektive 89,3. Pro end-to-end hodnocení ve Waymo Open Datasetu projekt uvádí RFS 7,91 pro RL a 7,78 pro SFT. V open-loop vyhodnocení NVIDIA PhysicalAI uvádí třísekundové minADE 0,38 m pro RL a 0,34 m pro SFT. 1

Repozitář také uvádí zlepšení VQA pro jízdní scénáře oproti uvedenému základu Qwen3.5-4B na několika oborových benchmarcích, včetně LingoQA, VLAD, SURDS, WaymoQA a metrik ve stylu DriveLM. 1

Jde však o výsledky reportované projektem, nikoli o nezávislou certifikaci bezpečnosti či připravenosti k nasazení. Plánovací skóre, podobnost se zaznamenanou trajektorií v open loop, preferenční metriky a ověření bezpečnosti v reálném provozu jsou odlišná tvrzení. Qwen vydání popisuje jako první krok orientovaný na výzkum, ne jako produkční systém autonomního řízení. 511

Co mohou vývojáři získat a spustit

Repozitář modelu na Hugging Face hostuje váhy a konfigurace Qwen-Drive-1.0-4B. Na veřejný repozitář QwenLM/Qwen-Drive-1.0 na GitHubu odkazuje pro zdrojový kód, ukázková data a dokumentaci. 1012

GitHub projekt obsahuje modulární materiály pro inference i vyhodnocení. Vývojáři mohou:

• spouštět image-text a driving-scene VQA;
• používat dodané jízdní ukázky;
• generovat trajektorie přímým plánováním nebo plánováním podmíněným reasoningem;
• prohlížet výstupy BEV vnímání;
• pracovat se zveřejněnými formáty scén a vyhodnocení;
• experimentovat s veřejnými datasety i vlastními vstupy scén. 111718

Samotné vydání ale neumožňuje zrekonstruovat celý trénink. Nezveřejněné tréninkové korpusy, anotace, preferenční štítky a proprietární data nelze z veřejných vah a kódu plně obnovit. 15

Proč je modularita důležitá

Největší přínos Qwen-Drive-1.0-4B spočívá v roli výzkumné platformy. Jasně vymezuje hranice mezi jazykově-obrazovým porozuměním, 3D vnímáním a plánováním. To může zpřesnit ablační studie: výzkumníci mohou rozlišit, zda změna zlepšila reprezentaci scény, tvorbu trajektorie, jazykové uvažování, nebo jen optimalizaci pro konkrétní benchmarkovou odměnu.

Projekt zároveň otevírá prostor pro výměnu a rozšiřování hlav, vytváření vlastních scén a alternativní uspořádání kamer či senzorů. Jeho hodnota tedy nespočívá v tvrzení, že model se 4 miliardami parametrů vyřešil autonomní řízení, ale v otevřeném základu pro ověřování, jak může sdílený VLM podporovat interpretovatelné komponenty pro řízení. 1118