NAVSIM
PulseAugur coverage of NAVSIM — every cluster mentioning NAVSIM across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
UNIVERSE模型统一了自动驾驶的视频预测和轨迹生成
研究人员推出 UNIVERSE，这是一种用于自动驾驶的新型统一模型，集成了未来视频预测和轨迹生成。与之前使用独立架构的方法不同，UNIVERSE 采用单一的掩码调制 Diffusion Transformer 来共同训练视频潜在表示和轨迹 token，从而允许通过视频学习的动力学直接监督轨迹去噪。这种统一的方法增强了跨域动作泛化能力，并实现了 4.3 倍加速的仅轨迹推理，同时保持了规划精度。
-
Drive-JEPA框架通过新颖的视频预训练推动端到端自动驾驶发展
研究人员推出Drive-JEPA，一个结合视频联合嵌入预测架构（V-JEPA）和多模态轨迹蒸馏的端到端自动驾驶新框架。该方法将V-JEPA应用于海量驾驶视频的ViT编码器预训练，生成对轨迹规划至关重要的预测表示。该系统还包含一个以提案为中心的规划器，它蒸馏各种模拟器生成和人类轨迹，并使用动量感知选择机制来确保稳定和安全的驾驶行为。在NAVSIM基准测试中，Drive-JEPA取得了新的最先进成果。
-
新的自动驾驶模型使用世界模型进行更安全、更鲁棒的规划 · 跟踪 2 个来源
两篇新的研究论文介绍了用于端到端自动驾驶的先进世界建模技术。OWMDrive 专注于 4D 占用世界模型，用于多步 3D 占用预测，以指导基于扩散的规划，旨在实现更具前瞻性和鲁棒性的轨迹生成，尤其是在挑战性场景中。ExploreVLA 将世界建模与强化学习相结合，以实现超越专家演示的策略探索，使用未来图像生成作为密集世界建模目标和新颖性检测的内在奖励信号。
-
DIVER框架使用强化扩散模型实现多样化的自动驾驶轨迹
研究人员开发了DIVER，一个结合了强化学习和扩散模型的新型端到端自动驾驶框架。该方法旨在克服传统模仿学习的局限性，后者通常会导致保守的驾驶行为。DIVER通过条件化地图元素和周围的代理来生成多样化且可行的轨迹，并使用强化学习来强制执行安全性和多样性约束。
-
新研究推进自动驾驶和机器人领域的世界行动模型
两篇新研究论文介绍了世界行动模型（WAMs）的先进方法，这对于模拟未来环境变化和规划行动至关重要，尤其是在自动驾驶和机器人领域。第一篇论文 ReWorld 专注于通过直接优化中间表示来改进 WAMs 中的表示学习，以实现更好的视频生成和规划。第二篇论文 DIM-WAM 通过整合多样化的历史事件记忆来增强 WAMs，以处理长时任务，显著提高了机器人操作场景下的性能。
-
新的ASSCG系统优化了LLM在自动驾驶规划中的使用
研究人员开发了一个名为ASSCG的新系统，用于优化大型语言模型（LLM）在自动驾驶规划中的使用。ASSCG充当守门员，做出帧级决策来刷新、重用或抑制慢速LLM的指导，从而降低计算成本并提高效率。当应用于现有的快慢规划架构时，ASSCG在性能指标和推理延迟降低方面均表现出显著的改进。
-
GraphBEV++框架解决了自动驾驶感知中的特征不对齐问题
研究人员推出了GraphBEV++，一个旨在解决自动驾驶系统鸟瞰图（BEV）感知中特征不对齐问题的新型框架。该框架包含两个主要模块：LocalAlign-v2，它使用图匹配来处理邻域感知的深度特征，以纠正局部不对齐；以及GlobalAlign-v2，它提供可变形和扩散变体来解决全局不对齐问题。GraphBEV++在nuScenes和Waymo等数据集上展示了最先进的性能，在感知、预测和规划任务中提高了准确性和鲁棒性，即使在校准不确定性下也是如此。
-
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。
-
新型分词器改进自动驾驶决策AI
研究人员开发了一种新的离散分词器，旨在改进自动驾驶系统处理视觉信息的方式。该分词器同时受到特征表示和几何数据的指导，目标是创建比仅为图像生成优化的分词器更有利于决策的分词。通过联合监督分词器的特征解码和RGB重建，并结合深度和姿态信息，该系统展现出更高的保真度和一致性。学习到的分词器在规划任务中表现出有竞争力的性能，并在与世界模型一起使用时提高了生成质量。
-
新数据集和AI方法推动自动驾驶研究进展
研究人员提出了几种增强自动驾驶系统的新方法。一篇论文详细介绍了TaCarla，这是一个用于端到端自动驾驶研究的大型数据集，包含超过285万帧，并支持检测和预测等各种任务。另一项研究提出了扩散强制规划器（DFP），这是一个基于扩散的框架，旨在提高运动计划的时间一致性和稳定性。此外，一种名为不确定性感知运动规划（UAMP）的新方法旨在通过考虑人类驾驶员意图的不确定性来提高混合交通环境中的安全性和舒适性。
-
NTR框架增强了自动驾驶的场景令牌瓶颈
研究人员开发了神经令牌重建（NTR），一个旨在改善端到端自动驾驶系统场景令牌瓶颈的新框架。NTR使用自蒸馏掩码潜在重建目标，以确保紧凑的场景令牌保留更丰富的视觉信息用于规划。该方法在推理时移除辅助组件，在Waymo E2E和NavSim等多个自动驾驶基准测试中取得了最先进的成果。
-
DriveWAM模型将视频扩散模型应用于自动驾驶
研究人员开发了DriveWAM，一个用于自动驾驶的新模型，它改编了预训练的视频扩散Transformer。该模型将视频和动作流整合到单个序列中，利用视频生成的时序动态和运动先验。DriveWAM还整合了来自冻结的视觉语言模型的场景理解，并使用选择性记忆来保持长时规划能力。在基准数据集上的实验表明，其规划性能强大，并且随着数据量的增加具有可扩展性。
-
新的AutoScale引擎优化用于驾驶模型的真实-合成数据
研究人员开发了AutoScale，一种新颖的闭环数据引擎，旨在优化用于训练自动驾驶模型的真实和合成数据的混合。该系统根据性能反馈动态调整数据组成，解决了分布变化和数据利用效率低下等挑战。AutoScale利用图正则自编码器进行场景表示，并利用聚类感知梯度上升进行样本重加权，在实验中证明了使用更少合成样本即可获得改进的性能。
-
DriveMA用元动作取代推理，以改进驾驶AI
一篇研究论文提出了DriveMA，一种用于驾驶视觉-语言-动作模型（VLA）的新方法，该方法用简洁的一步元动作取代了冗长的自然语言推理。该方法旨在克服标注、模型复杂性和推理延迟方面的瓶颈。DriveMA在Waymo端到端驾驶挑战赛中，使用2B和4B参数模型均取得了最先进的成果，优于先前的方法。
-
AI研究通过新的RL框架推进自动驾驶安全
两篇新研究论文探讨了用于更安全自动驾驶的先进强化学习技术。第一篇论文介绍了一种多智能体强化学习（MARL）方法，其中自动驾驶汽车和行人进行协同训练，通过更好地预测行人不可预测的行为，与基线方法相比，碰撞减少了30%。第二篇论文提出了一个认知-物理强化学习（CoPhy）框架，该框架整合了来自视觉-语言模型的知识，并使用预测性世界模型来确保安全和遵守驾驶意图，在基准测试中取得了最先进的结果。
-
新的HEAT模型改进了跨多样化环境的自动驾驶性能
研究人员开发了一种名为HEAT的新型轨迹引导学习范式，用于端到端自动驾驶系统。该方法旨在通过围绕规划轨迹组织训练并结合世界模型，来提高在多样化和异构驾驶环境中的性能。HEAT有助于捕获域不变表示，并减轻由域特定变化引起的偏差，在nuScenes、NAVSIM和Waymo等基准测试中显示出显著的改进。
-
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。
-
AI研究推动自动驾驶感知与安全发展
研究人员正在开发先进的AI技术以改进自动驾驶系统。其中一种方法CaAD专注于因果感知端到端建模，以更好地预测车辆和代理的交互，在基准测试中表现强劲。另一种方法Enhanced HOPE使用自适应感知，根据场景复杂性调整计算，并结合时间记忆来跟踪被遮挡的物体。此外，生成式AI正被用于创建多样化的合成行人数据，以训练更鲁棒的感知模型，突显了跨域训练的优势和局限性。最后，一种新颖的攻击范式利用了视图诱导的轨迹操纵，使用静态伪装欺骗自动驾驶汽…
-
DynFlowDrive 模型通过基于流的动态世界建模增强自动驾驶能力
研究人员推出了一种新颖的潜在世界模型 DynFlowDrive，旨在提高自动驾驶系统的可靠性。该模型利用流基动态来预测各种驾驶行为下的未来场景演变，超越了传统的外观生成或确定性回归方法。DynFlowDrive 采用一种考虑稳定性的轨迹选择策略，根据诱导的场景转换来评估潜在路径，在 nuScenes 和 NavSim 基准测试中表现出改进的性能，且推理时间没有增加。
-
FeaXDrive 通过可行性感知扩散规划增强自动驾驶能力
研究人员推出了一种用于端到端自动驾驶的新方法 FeaXDrive，该方法增强了生成轨迹的物理可行性。与之前关注噪声中心公式的方法不同，FeaXDrive 在整个扩散过程中直接对清洁轨迹进行建模。这种以轨迹为中心的方法结合了自适应曲率约束和可驾驶区域引导，以确保生成的路径在几何上合理并符合驾驶环境，这在 NAVSIM 基准测试中得到了证明。