大模型实时控车被批“纸上谈兵”，这群人却让它横向偏差狂降45%，顶会说行

一个让不少工程师头疼的问题：大模型做高层推理时滴水不漏，可一旦要把这些决策变成方向盘转角和油门开度，延迟、可解释性、工程部署就全成了拦路虎。深圳市大数据研究院、香港中文大学（深圳）、中国科学院深圳先进技术研究院、澳门大学联合研究团队拿出的方案，是把这件事拆成了快慢两条线——大模型只管慢速的语义理解和决策，经典规划器和控制器负责快速执行，中间用两座“桥”把语义意图稳定地传递下去。这篇题为《Bridging Large-Model Reasoning and Real-Time Control via Agentic Fast-Slow Planning》的论文，已经被ICRA 2026接收。

框架的名字叫Agentic Fast-Slow Planning，核心逻辑是按时间尺度分工。感知、推理、规划、控制这四个环节不再强行揉在一起：大模型承担慢速、高层的语义理解与决策，A*规划器负责可解释的长程轨迹生成，MPC控制器则做快速的闭环跟踪和安全执行。

研究团队在CARLA仿真场景里跑了一组对比实验，结果表明AFSP在鲁棒性和效率上都压过了纯MPC和A*引导的MPC基线——最大横向偏差最高降低了约45%，任务完成时间缩短超过12%。这套架构不是什么概念验证，而是在实际驾驶任务里同时做到了更稳、更快、更安全。

大模型这几年正在从感知工具转向自主系统的推理引擎，在自动驾驶里被寄望承担复杂场景理解、风险判断和任务决策这些高层认知工作。问题在于，一旦把触角伸向轨迹规划和底层控制，大模型推理延迟高、输出偏语言形式的短板立刻暴露出来，而控制和优化模块需要的是低延迟、可验证、可部署。

此前有两条主流路线：一条让大模型直接输出轨迹或控制参数，形式上端到端，但脆弱、难验证，实时闭环的工程约束也够不着；另一条让大模型在线调整MPC的目标或参数，虽然缓解了部分运行问题，可慢速推理和快速控制仍然耦合在一起，高层语义到底怎么稳定作用于中层规划，这个问题并没有被正面回答。AFSP这套“快慢思考”框架的价值恰恰在于把大模型从实时环路里解放出来，同时建立了一套跨层桥接逻辑：慢速的大模型做理解和决策，快速的经典模块管执行，两者之间用清晰、可解释的接口连起来。

第一座桥叫Perception2Decision，负责把视觉输入翻译成大模型看得懂、也够得着的拓扑表示。直接把原始图像扔给大模型，计算开销和带宽成本都高得离谱，图像里还掺杂大量与驾驶决策无关的细节。AFSP的做法是先在端侧用轻量化VLM提取交通场景的拓扑图，只保留车辆、障碍物、距离、方位、相对关系这些和决策直接相关的结构化信息，然后把这份紧凑的拓扑表示送到云端，由LLM输出符号化的驾驶决策——比如LEFT、RIGHT、KEEP，以及对应的驾驶风格。

这一步的关键不只是压缩数据，而是把视觉输入转换成更贴近交通决策逻辑的中间表示，让大模型的推理聚焦在真正重要的结构关系上，同时给下游规划层提供一个语义接口。实验数据也支撑了这个设计：在相同提示词条件下，基于拓扑图输入的LLM拿到的场景决策匹配得分平均达到0.73，而平均推理时延从VLM方案的10.24秒降到了4.13秒。

第二座桥叫Decision2Trajectory，瞄准的是“让大模型指导规划，而不是替代规划”。大模型擅长输出语言，但直接让它生成长程、可执行、可验证的轨迹，目前仍然面临长程一致性、可解释性和工程稳定性上的挑战。AFSP的思路是只保留大模型产出的交通决策逻辑，再把这部分逻辑翻译成经典规划算法能解读的启发式代价。

具体操作是把LLM输出的语义决策注入A*规划器，以软约束的形式影响搜索过程。好处有两层：一是让生成的轨迹朝着符合语义意图的方向偏置，二是不把语言决策当成硬约束，经典搜索在几何可行性和鲁棒性上的优势得以保留。这样一来，这套设计既用上了大模型的推理能力，又没有把它强行塞进实时控制回路。

光有语义引导还不够，经典规划算法在实际使用中严重依赖经验性超参数。研究团队发现，不同超参数会让路径生成行为发生显著变化——有的导致动作过早触发，有的造成语义不匹配，还有的引入不必要的振荡。这意味着即使桥接逻辑设计得再漂亮，如果还靠人工反复调参，系统的可迁移性和可部署性就打了折扣。

AFSP于是又加了一个Agentic Refinement Module，借助大模型的推理能力把“观察反馈—分析问题—调整参数—再次尝试”这套人工流程自动化：系统从云端记忆中检索相似场景的初始参数配置，再根据当前轨迹的反馈迭代优化超参数，直到拿到更合适的规划结果。这样一来，大模型不单参与了高层决策，还兼任了规划器的自适应调参角色。

从CARLA仿真的数据来看，AFSP在决策质量和实时性之间找到了一个