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。