ZipDrift：一步漂移生成多模态MPC代价修正

Ke Zhang 提出 ZipDrift，用一步漂移生成器学习短视距 MPC 的代价修正，以缓解短视距 MPC 的短视问题。作者称最优修正常呈多模态（如面对较慢对手时左右两侧都可超车），确定性回归会平均各模态；该方法只从候选修正的代价评估中学习，不经优化器求导，生成若干候选后由学习到的 critic 排序，再由基于模型的 MPC 施加动力学与约束。 在源自 ZipMPC 的运动学超车基准中，53% 的上下文为双模态，手工短视距 MPC 在 28.5% 的测试回合中碰撞。作者报告，采用八维逐阶段修正时，ZipDrift 在全部 600 个测试回合中无碰撞，并匹配最佳候选；理想化的 ZipMPC 式回归器碰撞率为 4.0%（专家标签不一致时为 16.0%），同等预算下 critic 排序的随机候选为 2.0%。 上述结果来自初步仿真研究，未经同行评议，也未在实机上验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。