SIGMA：以实际规划收益触发自动驾驶快慢推理协作

大型视觉语言模型（VLM）为自动驾驶提供强大的开放世界感知和推理，但其高计算成本和推理延迟使得持续的云端使用不切实际。这促进了快慢协作，其中高效的板载模块处理实时感知和控制，而云模型仅在需要时提供高级推理。关键的挑战是确定云推理何时应影响时间关键的驾驶决策。现有的方法通常依赖于感知不确定性、启发式触发或资源驱动的政策，而不评估解决不确定性是否会改善规划。我们提出了 \textbf{SIGMA}，一个用于面向任务的快慢协作的循环模拟框架。 SIGMA 将规划器嵌入到不确定性评估中，并评估语义和几何不确定性下的合理场景实现如何影响可行的轨迹和规划成本。根据这些结果，它估计了解决不确定性后规划成本的预期减少量。我们进一步引入了预期规划增益（EPG），这是云调用、云指导集成以及截止日期和资源限制下的请求优先级的决策级指标。 CARLA 中的实验表明，SIGMA 减少了不必要的云交互，同时提高了静态和动态障碍场景中的规划、效率和导航成功率。与固定周期协作相比，SIGMA 减少了 50\% 不必要的云端交互，提高了 6\% 以上的导航成功率，并在动态场景下缩短了高达 26.2\% 的完成时间。