小鹏第二代VLA解读：智驾为什么要回看 30 秒历史，再预测未来 6 秒？

2026年，小鹏第二代VLA引入了30秒历史上下文，同时加入未来6秒预测。这里有一个很有意思的问题，驾驶本质上是在判断下一步该怎么走，为什么模型还需要不断回看已经发生的事情？

01、只看现在为什么还不够？

假设前方有一辆车，当前距离你的车有40米。单看这一帧，自动驾驶系统可以知道前方有车，并估计它当前的位置等空间状态，但很难仅凭这一瞬间判断它接下来究竟会怎么走。如果把过去几秒的信息加入进来，情况就不同了。这辆车可能原本保持车道行驶，随后逐渐向旁边偏移，接着又开始减速。

单独看当前画面，它只是距离40米的一辆车；把连续状态串起来后，系统看到的则是一个正在发生变化的交通参与者。这也是历史信息真正的价值。它不是为了让模型知道过去发生过什么，而是让模型知道当前状态经过怎样的变化形成。驾驶场景中有大量类似情况。

一个行人重新出现在车辆前方，当前画面只能告诉模型这里出现了一个行人。但如果此前这个行人曾被停靠车辆遮挡，或者一直在朝道路方向移动，那么历史信息就能帮助模型理解，这次出现并不是一个孤立事件。旁边车辆突然靠近也是如此。

当前距离只是一个结果，过去几秒的横向位置变化，才能帮助系统判断它是在正常行驶，还是正在持续向自己的车道靠近。也就是说，当前状态可以告诉智驾模型现在是什么样，历史状态则可以告诉智驾模型这个状态是经过怎样的变化形成的。而这恰是预测未来所需要的信息。

02、预测未来为什么反而离不开过去？

自动驾驶真正要做的，并不是判断当前画面，而是根据当前道路状态决定下一步动作。但当前状态本身并不会包含足够的信息。比如一辆车当前正在减速。它可能只是短暂减速，也可能已经连续减速了几秒；它可能很快恢复正常行驶，也可能因为前方拥堵停车。

这些情况在某一个瞬间可能非常相似，但对应的未来完全不同。所以，自动驾驶预测未来时，需要的不只是当前的空间状态，还需要知道状态正在朝哪个方向变化。这也是时间信息进入自动驾驶模型的重要原因。

CVPR 2025的研究《Bridging Past and Future: End-to-End Autonomous Driving with Historical Prediction and Planning》就专门讨论了历史信息与未来预测、规划之间的关系。该研究通过历史信息增强感知与运动规划，并在nuScenes的开放环和闭环测试中验证了这种时序建模方法。

该研究指出，传统方法要么在运动规划中丢失历史信息，要么未能与规划的多步性质对齐；历史信息需要根据规划的时间步结构，在感知和规划的不同阶段分别注入。这背后逻辑可以理解为，过去发生了什么，决定了当前状态是怎样形成的；当前状态和变化趋势，又决定了未来可能出现什么。因此，自动驾驶模型记住过去，并不是把过去当成一个单独的信息库，而是把与当前驾驶相关的历史状态变成预测未来的一部分。

03、记住过去之后自动驾驶到底多知道了什么？

对于智驾系统来说，真正有价值的历史信息，并不是越多越好。如果将大量与当前驾驶无关的历史内容全部保留下来，只会增加模型处理上下文的计算成本，也可能引入与当前决策无关的信息。真正需要保留的，是那些能够解释当前状态、帮助判断未来的历史信息。譬如一个行人刚刚被遮挡，车辆需要知道他此前出现在哪里；前车开始减速，系统需要判断这种变化是瞬时状态，还是已经形成了持续趋势。

这意味着自动驾驶需要的记忆，并不是人类意义上的完整记忆，而更接近一种与当前驾驶任务相关的时序上下文。小鹏官方在2026年8月公布的第二代VLA升级方案中，将Infini-VLA描述为长时序架构，在车端保留30秒历史上下文，让此前发生的动作、位置和场景继续参与当前判断；同时，X-Foresight根据车辆位置、速度和环境等变化预判未来6秒的场景变化，车端方案以6秒作为预测窗口。

04、最后的话

智驾最前沿以为，自动驾驶模型开始记住过去，并不是驾驶逻辑发生了变化，而是模型开始更完整地处理驾驶本身的时间属性。人类驾驶员在判断前车下一步动作时，也不会只依据眼前这一瞬间做决定，而会结合刚才观察到的速度、方向和运动变化进行判断。

驾驶看起来是在预测未来，但预测未来的依据，往往来自过去的状态变化。对自动驾驶来说，真正需要的也不是记住所有过去，而是保留那些能够解释当前状态、帮助判断未来的时间信息。

#自动驾驶 #自动驾驶预测