跳到正文
热点事件持续更新

DriftingPlanner:单步推理的端到端轨迹规划器

1 篇报道1 个报道来源7 小时前更新

先了解这件事

AI 综述

Ziming Liu 等作者发布预印本 DriftingPlanner,一种只用 drifting 损失训练、不含坐标回归项的端到端轨迹规划器。作者称其在 NAVSIM navtest 上达到 93.75 PDMS;单步推理的 drifting 解码器与需十步推理的最佳扩散或流匹配设置相差 0.13 PDMS。 作者指出,坐标回归虽快,却会把多种可行操作混合成一条可能都不符合的轨迹;扩散与流匹配能建模轨迹分布,但需要多步推理。drifting 模型把迭代移入训练,用一步生成器学习生成样本与真值样本之间的吸引-排斥场。 由于规划中每个场景自成一个条件,按场景计算场时只有一个正样本即专家轨迹,相互排斥会把生成轨迹约束在其周围的壳上,导致单条轨迹偏离真值。作者称在推理时把每个噪声向量与其取反向量成批解码并取平均,可抵消壳中心位移的线性部分。该结果来自预印本,尚未经同行评议或独立验证。

AI 根据报道生成 · 2 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月3日
  1. arXiv · cs.RO
    DriftingPlanner:用漂移生成模型实现端到端自动驾驶单步轨迹规划

    DriftingPlanner 提出一种仅用 drifting 损失训练的端到端轨迹规划器,不含坐标回归项,在 NAVSIM navtest 上达到 93.75 PDMS。作者指出,坐标回归虽快但会把多种可行操作混合成一条可能都不符合的轨迹,扩散与流匹配能建模轨迹分布却需要多步推理;drifting 模型把迭代移入训练,用一步生成器学习生成样本与真值样本之间的吸引-排斥场。由于规划中每个场景自成一个条件,按场景计算场时只有一个正样本即专家轨迹,相互排斥会把生成轨迹约束在其周围的壳上,导致单条轨迹偏离真值。

本事件热度走势

还没有足够的连续观测数据,暂不绘制趋势。