PulseAugur
中
实时 12:48:36
实体 Bench2drive

Bench2drive

PulseAugur coverage of Bench2drive — every cluster mentioning Bench2drive across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
13
90 天内 38
发布 · 30天
0
90 天内 0
论文 · 30天
13
90 天内 36
层级分布 · 90 天
主题
关系
情绪 · 30 天

6 天有情绪数据

最近 · 第 1/2 页 · 共 38 条
  1. RESEARCH · CL_366086 ·

    新AI模型通过以智能体为中心的世界建模增强自动驾驶能力

    两篇新研究论文介绍了通过整合视觉-语言-动作(VLA)模型和世界模型来改进自动驾驶的新方法。第一篇论文AgentWorld,专注于创建一个以智能体为中心的潜在状态,该状态能够捕捉物体随时间的交互,并使用离散的智能体令牌进行推理和规划。第二篇论文TrajWAM,采用轨迹条件未来学习和辅助鸟瞰图预测来生成驾驶航点,在基准测试中表现出性能提升。

  2. TOOL · CL_366284 ·

    新的DRIFT框架可在自动驾驶中实现运行时灵活的语言推理

    研究人员开发了DRIFT,一个新颖的端到端自动驾驶框架,集成了轻量级语言模型用于场景描述和动作评论。该系统设计为运行时灵活,允许在不影响驾驶性能的情况下绕过语言模型。与现有的视觉语言模型方法相比,DRIFT在Bench2Drive、NAVSIM和AlpaSim等基准测试中取得了具有竞争力的结果,参数量和计算成本显著降低。

  3. TOOL · CL_364137 ·

    FIRE-Drive 框架增强自动驾驶扩散规划安全性

    研究人员开发了 FIRE-Drive,一个旨在增强自动驾驶端到端扩散规划模型安全性和可行性的新框架。该系统通过结合动态可行锚点初始化和候选特定风险评估,解决了轨迹初始化和模式选择中的挑战。在 NAVSIM v1 数据集上的实验显示,预测驾驶员模型得分达到 91.5%,而在 Bench2Drive 路线上的评估则实现了 71.43% 的驾驶得分和 42.73% 的成功率。该框架旨在改进合理轨迹的精炼以及基于局部风险证据的模式区分。

  4. RESEARCH · CL_366079 ·

    新的自动驾驶研究解决了注意力限制并增强了世界模型 · 跟踪了 6 个来源

    arXiv 上发表的多篇研究论文探讨了自动驾驶系统的进展,重点是改进感知、预测和决策。一项研究挑战了自动驾驶汽车中对注意力机制的依赖来确定物体相关性,认为它们提供的是相关性而非因果性见解,尤其是在复杂场景中。另一篇论文引入了一个闭环交互式世界模型,通过将行为建模与视觉渲染相结合,增强了行为真实感和视觉保真度。此外,研究提出了使用时空注意力进行实例预测的新架构 BEVPredFormer,以及用于端到端自动驾驶中一次性联邦学习的 Fed…

  5. RESEARCH · CL_352466 ·

    新框架通过生成式VLA模型增强自动驾驶 · 跟踪2个来源

    研究人员开发了两种新框架:生成式场景生成(GeRo)和MAPLE,旨在改进端到端自动驾驶系统。这两种方法都利用了视觉-语言-动作(VLA)模型,超越了传统的模仿学习,融入了生成能力,以实现更强大的规划和更逼真的交通场景模拟。GeRo专注于未来交通场景的自回归生成,而MAPLE则利用潜在的多智能体博弈进行反应式、闭环训练,无需外部模拟器。这两种框架在Bench2drive基准测试中都展示了最先进的性能,在驾驶得分和成功率方面均有显著提高。

  6. TOOL · CL_352459 ·

    ForeseeDrive 引入面向生成式驾驶的未来令牌条件化

    研究人员推出了 ForeseeDrive,一种面向前瞻性生成式驾驶的新颖方法,它将未来场景演变条件化为查询索引令牌。这种方法允许塑造候选生成,而不是依赖预采样机动。ForeseeDrive 集成了来自参与者运动、占用演变、路线交互和碰撞时间 (TTC) 余量的数据来预测这些令牌。该系统在 NAVSIM navtest、nuScenes validation 和 Bench2Drive 等基准测试中表现强劲,受控诊断显示了其有效性并识别…

  7. TOOL · CL_358373 ·

    ForeseeDrive通过未来场景条件化增强生成式驾驶规划器

    研究人员开发了ForeseeDrive,这是一种新颖的生成式驾驶规划器,通过对预测的未来场景演变进行条件化来增强候选生成,从而增强了预测能力。ForeseeDrive不依赖于固定的采样未来集或重建密集状态,而是使用源自演员运动、占用、路线交互和碰撞时间(TTC)余量的查询索引Token。这种方法允许规划器在生成候选轨迹之前对其进行塑形,从而在NAVSIM、nuScenes和Bench2Drive等基准测试中提高了性能,在NAVSIM上…

  8. RESEARCH · CL_341149 ·

    新AI模型提升自动驾驶安全性和准确性

    研究人员开发了两种新方法来提高端到端自动驾驶系统的安全性和准确性。第一种方法RFWorld引入了一个无回滚的世界模型,通过使用共享场景内存来避免昂贵且易出错的未来状态预测。第二种方法NegWAM是一个安全后训练框架,它使用接近专家的失败轨迹作为排斥锚点,将驾驶行为引向远离危险行为。这两种方法在NAVSIM和Bench2drive等基准测试中都展示了最先进的性能,其中NegWAM在安全关键场景中显示出显著的改进。

  9. TOOL · CL_322061 ·

    OmniSpace 通过二维几何感知增强自动驾驶多模态大语言模型

    研究人员推出 OmniSpace,这是一种新颖的即插即用范式,旨在增强多模态大语言模型(MLLMs)在自动驾驶应用中的空间推理能力。与现有需要在推理时使用复杂三维模型的方法不同,OmniSpace 通过集成摄像头姿态注入器、多视图外极线注意力(Multi-view Epipolar Attention)和三维几何蒸馏(3D Geometric Distillation),仅利用二维观测。该方法有效解决了跨视图对应和深度估计的局限性,在…

  10. TOOL · CL_308185 ·

    新框架提升自动驾驶规划器性能

    研究人员开发了一个名为Expand-and-Prune的新测试时框架,以提高端到端自动驾驶规划器的性能。该方法在不改变学习参数的情况下调整轨迹假设的候选集。它利用语义驾驶意图和时间预测来扩展候选集,然后根据不确定性修剪候选。该框架在各种基准测试中都显示出了一致的改进,在LangAuto上取得了最先进的成果,并在分布外场景中取得了显著的提升。

  11. TOOL · CL_300782 ·

    DriveWLA模型统一了世界、语言和动作,以实现自动驾驶

    研究人员推出了一种新颖的自动驾驶模型DriveWLA,该模型统一了语义理解、未来场景预测和轨迹生成。该模型采用混合Transformer架构,并设有专门的世界动态、语言语义和动作规划专家。DriveWLA结合了跨专家注意力机制以实现信息流动,并利用强化学习进行精细的轨迹生成,在NAVSIM v1和v2等基准测试中取得了最先进的成果。

  12. TOOL · CL_301553 ·

    SafeDriveVLA 通过冲突感知导航增强自动驾驶安全性

    研究人员推出 SafeDriveVLA,这是一种新颖的用于自动驾驶的视觉-语言-动作 (VLA) 模型,通过考虑导航合规性和冲突意识来增强安全性。与以往难以处理不安全或恶意指令的模型不同,SafeDriveVLA 明确预测导航合规模式,并使用导航条件下的世界模型来确定遵循指令是否安全。在 Bench2Drive 基准测试的评估中,SafeDriveVLA 取得了 88.16 的驾驶得分和 68.64% 的成功率,与 SimLingo …

  13. TOOL · CL_289257 ·

    BridgeGuard 使用扩散模型增强自动驾驶安全

    研究人员开发了 BridgeGuard,一种增强基于扩散的自动驾驶系统安全性的新方法。该方法解决了这些规划器在遇到分布变化时生成的轨迹不安全的问题。BridgeGuard 在去噪过程中逐步加强约束项,将中间轨迹引导至场景相关的安全域。该系统利用一个学习模块 DistanceFieldNet 来预测一个时间相关的距离场,该距离场区分安全区域和不安全区域,从而显著提高了 Bench2Drive 等基准测试中的驾驶得分和成功率。

  14. TOOL · CL_259503 ·

    新型FIVE-VLA模型提升自动驾驶效率和记忆能力

    研究人员开发了FIVE-VLA,这是一种新颖的视觉-语言-动作模型,专为自动驾驶设计,可显著提高效率和时间记忆能力。该模型利用高效的视觉编码器处理高分辨率图像并生成更少的token,并结合了循环动作记忆(RAM)以根据过去的动作来条件化动作预测,这对于复杂机动至关重要。尽管参数量较少,FIVE-VLA在Bench2Drive等基准测试中表现优于先前最先进的模型,并在NVIDIA Physical AI AV数据集上展示了更低的碰撞率,…

  15. TOOL · CL_245696 ·

    新的DRiF框架通过数据驱动风险场增强自动驾驶安全性

    研究人员开发了一种名为DRiF(数据驱动风险场)的新型框架,以增强端到端自动驾驶系统的安全性。与依赖手工制作的风险函数或占用率派生标签的先前方法不同,DRiF通过将基于规则的安全先验知识转换为成对风险标签来学习风险。这种方法训练风险场以保持相对风险排序,从而在Bench2drive基准测试中提高驾驶得分、成功率并减少碰撞。该框架将静态地图分割、动态风险预测和车辆规划整合到一个共享的鸟瞰图(BEV)特征中。

  16. TOOL · CL_229393 ·

    研究发现:自动驾驶模型仅凭记忆即可驾驶

    一项新的研究论文探讨了端到端自动驾驶模型的能力,通过仅使用过去驾驶的记忆而不是实时传感器输入来测试其性能。研究发现在 NAVSIM 基准测试中,仅凭记忆几乎足以媲美或超越领先方法的性能,这表明在该基准测试上的高分可能无法准确反映模型对当前交通状况的反应能力。在 Bench2Drive 和 RealEngine 等其他基准测试中,这种影响不太明显,表明在评估动态场景理解方面存在特定基准的局限性。

  17. TOOL · CL_218321 ·

    MomADv2框架通过时序记忆提升自动驾驶规划能力

    研究人员推出MomADv2,一个旨在增强自动驾驶系统长时域规划能力的新型框架。该新方法通过基于时序和指令一致性选择性过滤历史数据,解决了保持规划连续性的挑战,从而防止过时信息对当前决策产生负面影响。MomADv2还包含一个流匹配轨迹精炼器,用于纠正轨迹偏差并减少长规划时域内的误差累积。实验表明,与先前的方法相比,碰撞率显著降低。

  18. RESEARCH · CL_208682 ·

    新方法通过交通元素感知增强自动驾驶 · 跟踪到2个来源

    研究人员开发了一种新颖的可插拔方法,将交通元素感知集成到端到端自动驾驶系统中。该方法系统地研究了交通信号灯和路标的影响,这些元素通常被忽视,而更侧重于动态道路参与者。通过使用结构化的交通元素标注来增强现有数据集,并采用最小集成设计,该方法可以无缝集成到各种驾驶范式中,包括VLA模型和基于扩散的策略。在nuScenes和NAVSIM-v2等多个数据集上的评估表明,驾驶性能得到了一致的提升,在具有挑战性的基准测试中树立了新的最先进水平。

  19. RESEARCH · CL_191440 ·

    新研究通过混合人工智能和世界模型解决自动驾驶安全问题 · 跟踪 8 个来源

    研究人员正在开发先进的方法来提高自动驾驶系统的安全性和效率。一种方法是将神经符号安全护栏与现有的端到端驾驶代理集成,以强制执行明确的安全规则并防止重大碰撞。另一种策略是将机器学习与基于优化的监督相结合,创建混合规划架构,以解释复杂场景并确保可驾驶性。此外,正在探索新的强化学习框架,通过在潜在世界模型中学习来提高样本效率并减少对昂贵现实世界交互的依赖。工作还集中于创建系统的行为分类法和自适应推理框架,这些框架利用空间物理证据和规划关键因…

  20. TOOL · CL_180908 ·

    新的潜在质心引导技术提升自动驾驶模型指令遵循能力

    研究人员开发了一种名为潜在质心引导(Latent-Centroid Steering, LCS)的新方法,以改进视觉语言模型(VLMs)在自动驾驶中遵循导航指令的能力。标准的无分类器引导(CFG)对于实时使用可能过于缓慢,因此LCS提供了一种单通道方法,将条件表示引导至预先计算的特定指令质心。该技术将推理延迟降低了约50%,并增强了指令依从性,在Bench2Drive和nuScenes等基准测试中表现出改进的性能。