地平线 sparsedrive 更新到 v2，评分成了端到端的新关键词
2026 年 4 月 17 日，地平线的端到端自动驾驶方案 sparsedrive 更新到 v2。距离这套方案第一次被提出，已经过去两年。这个时间跨度在端到端自动驾驶的语境里不算短：从 UniAD 到 VADv2，这条技术路线在这两年里换过好几轮主角。
sparsedrive 最早要解决的问题是表示。2025 年 4 月 29 日的一篇技术解读把它概括为「探索稀疏表示并回顾端到端自动驾驶的任务设计」。换句话说，它没有沿用稠密 BEV 那一套把场景铺成栅格的做法，而是用稀疏的实例级表示来承载感知结果，再让后续的规划模块直接在这套表示上工作。这个选择决定了它后面所有的结构设计。
对称稀疏感知是骨架
2026 年 3 月 29 日发布的一篇系列论文解读给出了更细的拆解：sparsedrive 包含两大核心模块，其中之一叫对称稀疏感知（Symmetric Sparse Perception），作用是用对称的模型结构统一检测、跟踪等任务。把检测和跟踪放进同一套对称结构里，意味着感知不再是若干个独立子任务的拼接，而是共享一套查询与更新机制。这是稀疏范式相对稠密范式最直接的红利：模块之间的接口从特征图变成了实例，信息损耗的环节少了一截。
同一篇解读把整个系列的走向总结成一句话，从稀疏表示到「评分即一切」。这个提法值得留意。它说明 sparsedrive 的重心正在从「怎么把场景表示好」往「怎么给候选轨迹打分」迁移。感知仍然在，但它的产出越来越像是给评分器准备的输入，而不是给人看的可视化结果。
v2 的细节还没摊开
目前能确认的是 v2 的存在和发布方，具体指标、模型规模、训练数据构成都还没有公开材料。地平线自己在端到端上的思路，从 v1 到 v2 是否有结构性调整，现阶段无法从公开信息判断。可以参照的只有那条主线：稀疏表示打底，对称结构统一感知任务，评分机制承接规划输出。
对做端到端的人来说，真正的问题不在于又出了一个版本号，而在于「评分即一切」这条路能不能撑住长尾。检测和跟踪统一之后，评分器拿到的输入更干净，但它对稀有场景的判断力仍然取决于训练分布。sparsedrive 的 v2 有没有在这件事上给出新答案，要等它把数据放出来才知道。
来源