NavHard
PulseAugur coverage of NavHard — every cluster mentioning NavHard across labs, papers, and developer communities, ranked by signal.
-
新的“Run-then-Walk”策略加速了VLM自动驾驶RL训练
研究人员为基于VLM的自动驾驶规划器开发了一种新颖的“Run-then-Walk”调度策略，该策略利用了强化学习。这种两阶段方法首先关注进度发现（Run-GRPO）以摆脱保守偏见，然后转向安全恢复（Walk-GRPO）以纠正不安全行为。据报道，该方法在NAVSIMv1、NAVSIMv2、Navhard和nuScenes等基准测试中，取得了比传统单阶段RL方法更好的驾驶性能，并且收敛速度快40-50%。
-
新的自动驾驶模型通过记忆增强从过去的故障中学习
研究人员推出了一种新颖的视觉-语言-动作（VLA）模型DriveVLA-M0，旨在通过从过去的故障中学习来改进自动驾驶系统。该模型包含一个故障感知的潜在记忆，用于存储问题场景和专家轨迹。在推理过程中，一种检索机制会识别过去的类似故障，并使用一种轻量级的基于LoRA的训练方法来实时纠正模型的行为，而无需改变核心架构。在NAVSIMv1和NAVSIMv2基准上的实验表明，DriveVLA-M0在Navtest和Navhard上取得了高分，…
-
新的AI模型应对自动驾驶的远期规划问题
研究人员正在开发先进的自动驾驶AI模型，重点是改进轨迹规划和远期决策。包括ParkingTransformer、TerraTransfer、AlignDrive、Metis和GraphWorld在内的几个新框架，利用了LLM、自我博弈和基于图的世界建模等技术，以增强复杂驾驶场景下的泛化性、效率和安全性。这些方法旨在通过更好地整合感知、预测和规划，以及从多样化数据中学习而不完全依赖专家演示，来克服现有方法的局限性。
-
CLOVER框架通过闭环价值估计增强自动驾驶规划
研究人员开发了CLOVER，一个旨在改进端到端自动驾驶规划系统的新型框架。该方法通过生成多样化的候选轨迹并使用评分器预测用于排序的规划指标子分数，来解决常见的训练-评估不匹配问题。CLOVER采用闭环自蒸馏方法来优化生成器和评分器，在NAVSIM和NavHard等基准测试中取得了最先进的性能。