HUGSIM
PulseAugur coverage of HUGSIM — every cluster mentioning HUGSIM across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。
-
TerraTransfer++ 实现无需演示的自动驾驶规划
研究人员开发了 TerraTransfer++，这是一种新颖的端到端自动驾驶规划器，无需人工驾驶演示。该系统利用向量化模拟器中的自我博弈生成多样化数据集，然后将其提炼为轨迹教师。该教师用于在冻结的视觉骨干网上训练轻量级适配器，从而在 HUGSim 基准测试中获得超越现有模仿学习方法的策略，并在 NAVSIM 基准测试中取得卓越性能，而无需专家演示。
-
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。
-
新的SimVTA框架通过模拟视频监督增强驾驶模型
研究人员开发了SimVTA，一个旨在通过模拟视觉数据来改进驾驶世界动作模型（WAMs）的新框架。该方法使用真实世界的模拟器为优化轨迹渲染未来的视频帧，提供独立于模型自身预测的视觉监督。通过在有限的渲染预算内优先监督高误差的未来，并采用组相对策略优化，SimVTA增强了轨迹规划和表示学习。该框架在NAVSIM v1和v2等基准测试以及HUGSIM的闭环评估中都显示出显著的改进。
-
新研究为自动驾驶系统提供增强的控制和安全性
两篇新研究论文介绍了增强端到端自动驾驶系统的新颖方法。YOUDrive提出了一种视觉-语言-动作规划器，能够对驾驶风格进行连续和可组合的控制，从而在推理时调整加速度、制动和距离保持。FPD-Drive专注于将未来知识提炼到驾驶策略中，通过纠正安全和不安全候选者的排名错误来改进多轨迹监督和安全选择。这两种方法都旨在提供更可控、更安全的自动驾驶行为。
-
PlanWAM 通过规划塑造的未来表示推动自动驾驶发展
研究人员开发了 PlanWAM，这是一种用于端到端自动驾驶的新颖方法，它专门为规划任务塑造未来表示。该方法使用时间寄存器金字塔来压缩历史信息，并使用特权未来后验分支来学习规划塑造的潜在表示。PlanWAM 在 NAVSIM 和 HUGSIM 等基准测试中展示了领先的性能，表明规划塑造的远见在世界-动作模型中的有效性。
-
新的SimVTA框架通过基于仿真的监督增强驾驶世界动作模型
研究人员开发了SimVTA，一个新颖的框架，旨在通过整合模拟器渲染的视频监督与强化学习进行轨迹优化来增强驾驶世界动作模型。该方法解决了现有驾驶日志的局限性，这些日志缺乏对训练后探索的替代轨迹的视觉监督。SimVTA使用真实世界模拟器为高回报轨迹生成视觉数据，从而提高模型的规划能力。该框架在NAVSIM v1和NAVSIM v2等基准测试以及HUGSIM的闭环评估中都显示出显著的性能提升。
-
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。
-
DriveZero自动驾驶系统学习超越人类演示
研究人员推出了DriveZero，这是一个端到端的自动驾驶系统，它超越了模仿人类驾驶数据。DriveZero将驾驶任务分解为感知模型（DriveVFM）和动作模型（DriveRL）。DriveVFM使用原始图像整合了DINOv3和SigLIP2等各种视觉基础模型，而DriveRL则在模拟交互式世界中使用强化学习来学习驾驶行为。该系统在nuPlan、NAVSIMv1、NAVSIMv2和HUGSIM等基准测试中取得了最先进的性能，超越了人…
-
新的自动驾驶模型预测未来世界状态和动作 · 已追踪 2 个来源
研究人员开发了新的自动驾驶模型，专注于预测未来的世界状态和动作。WA-JEPA 模型（在一篇论文中提出）通过使用混合未来掩码预训练和条件流匹配来进行潜在未来预测，从而改进了视频联合嵌入预测架构（V-JEPA），并在 NAVSIM 和 HUGSIM 基准测试中取得了优异成绩。另一个模型 GeoWAM 强调使用点云等几何表示而非基于像素的方法，认为几何形状更能自然地捕捉驾驶动态并与动作执行保持一致，在开放循环和闭环评估中均表现出卓越的性能。
-
新框架从模拟故障中学习自动驾驶安全
研究人员开发了一个名为 BeyondDrive 的新框架，以提高端到端自动驾驶系统的安全性。与以往主要从成功的驾驶示例中学习的方法不同，BeyondDrive 明确地从模拟的失败驾驶场景中学习。这种方法使用新颖的负轨迹生成器和专门的损失函数，以确保驾驶系统不仅模仿专家行为，还能主动避开危险情况，从而在自动驾驶基准测试中获得更好的性能。