DiffusionDrive
PulseAugur coverage of DiffusionDrive — every cluster mentioning DiffusionDrive across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新框架生成安全关键场景以提高自动驾驶模型鲁棒性
研究人员开发了一个新颖的框架，通过生成关键训练场景来提高端到端驾驶模型的安全性。该方法针对 DiffusionDrive 和 SparseDrive 等模型中观察到的特定规划失败，这些失败通常是由于在真实世界数据中缺乏对安全关键场景的暴露。通过使用可微分的规划器代理来创建这些场景，并提供安全的逃逸轨迹作为标签，该系统在不影响正常驾驶性能的情况下显著降低了碰撞率。
-
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。
-
新的ECO方法提升端到端驾驶模型性能
研究人员开发了一种名为端点约束优化（ECO）的新后处理层，以提高端到端驾驶模型的性能。ECO将轨迹锚定到车辆历史记录，保持策略预测的终点，并重塑中间航点以提高可行性。该方法无需额外训练、地图或模拟器状态，并在闭环模拟器中显示出显著的改进，在HUGSIM闭环驾驶挑战赛中获得第一名。
-
新数据集增强了自动驾驶的轨迹评分
研究人员开发了一个新的训练数据集，旨在提高自动驾驶系统中学习型轨迹评分模型的性能。该数据集通过生成从记录的人类轨迹中横向和纵向扰动的样本，提供更具信息量的监督。当应用于连接到 DiffusionDrive 和 MeanFuser 等冻结生成规划器的基于 Transformer 的评分器时，新数据集在 NAVSIM navtrain 数据集上展示了改进的结果。