Driffield

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。