NAVSIMv2
PulseAugur coverage of NAVSIMv2 — every cluster mentioning NAVSIMv2 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架提升自动驾驶规划器性能
研究人员开发了一个名为Expand-and-Prune的新测试时框架，以提高端到端自动驾驶规划器的性能。该方法在不改变学习参数的情况下调整轨迹假设的候选集。它利用语义驾驶意图和时间预测来扩展候选集，然后根据不确定性修剪候选。该框架在各种基准测试中都显示出了一致的改进，在LangAuto上取得了最先进的成果，并在分布外场景中取得了显著的提升。
-
AUGUstus VLA模型统一生成与理解能力，赋能自动驾驶
研究人员开发了AUGUstus，这是一种新颖的视觉-语言-动作（VLA）模型，专为自动驾驶设计，它统一了动作生成和理解，以克服现有VLA系统的局限性。与以往的模型要么退化为简单的视觉-动作系统，要么因自回归生成而导致高延迟不同，AUGUstus采用了基于扩散的方法进行动作生成，并采用自回归方法进行思维链（CoT）理解。这种统一的架构允许低延迟部署，同时通过在训练过程中使用CoT来监督动作生成，确保了更安全、更精确的轨迹。实验表明，AU…
-
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%。
-
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…
-
新的自动驾驶世界模型增强了预测和动作生成能力
三篇新的研究论文介绍了先进的自动驾驶世界模型，重点在于改进预测和动作生成。Drive-HWM 利用具有动态感知潜在变量的分层慢-快框架，实现长时程预测和响应式决策。SV-WAM 提出了一种高效的环视模型，该模型使用未来视频预测进行训练监督，从而在推理时实现高效的仅动作规划。LaPla 通过对齐潜在空间，弥合了离散推理与连续动作之间的差距，确保了物理上可行的轨迹并减少了量化误差。
-
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，…
-
DriveStack-VLA通过空间智能和自我批评增强驾驶模型
研究人员推出DriveStack-VLA，一个旨在增强视觉-语言-动作驾驶模型空间智能的新框架。该系统利用大型视觉-语言模型骨干，并通过DeepStack风格的连接引入鸟瞰图表示。为了改善感知焦点，它采用渲染教师对齐，对齐真实和栅格化图像感知。DriveStack-VLA还包含一个用于优化轨迹选择的自我批评模块，在NAVSIMv1、NAVSIMv2和Bench2Drive等基准测试中取得了强劲的性能。
-
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。