nuPlan
PulseAugur coverage of nuPlan — every cluster mentioning nuPlan across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究探索用于自动驾驶安全与规划的高级AI · 追踪10个来源
arXiv上发表的多篇研究论文探讨了自动驾驶系统的先进技术，重点是改进规划、预测和安全。其中一篇论文介绍了一个分层评估协议，用于评估生成场景模型的物理一致性，揭示了标准指标未显现的局限性。另一篇论文提出了Diffusion-2BC，一种用于离线行为克隆的混合扩散和回归训练方法，可提高闭环性能。此外，对规则对齐扩散规划器（RADP）的研究旨在将驾驶规则直接纳入扩散模型，以提高可解释性和安全性，同时正在开发Meta-多智能体强化学习（me…
-
扩散模型双重角色：自动驾驶规划与安全测试
研究人员开发了一种新颖的方法，使用单一扩散模型在自动驾驶开发中扮演双重角色。该模型可以作为自身运动规划器，提高在nuPlan等基准测试上的闭环性能，同时也可以作为安全关键场景的可控生成器。通过引导选定代理人走向危险行为，该模型有效地对规划系统进行压力测试，并揭示了标准评估无法捕捉到的故障模式。
-
自动驾驶转向统一的 VLA 模型，挑战模块化堆栈
新的视觉-语言-动作 (VLA) 模型正在涌现，旨在统一自动驾驶中的感知、推理和控制，从而摆脱传统的模块化堆栈。三个 prominent 模型——来自 UCLA 的 AutoVLA、NVIDIA 的 Alpamayo 系列和 Qwen-Drive-1.0——代表了这种统一的不同方法。AutoVLA 专为边缘部署而设计，具有较少的参数量和基于 token 的动作输出，而 Alpamayo 则是一个较大的、云规模的教师模型，用于蒸馏成较小…
-
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…
-
DiffuSearch系统统一扩散和MCTS以改进自动驾驶轨迹规划
研究人员推出了一种新颖的混合轨迹规划系统DiffuSearch，用于自动驾驶，它在生成和精炼阶段对齐目标。这种方法通过让扩散模型和蒙特卡洛树搜索（MCTS）组件都遵守共同的驾驶目标，如避碰、舒适和进度，从而确保一致性。在nuPlan和InterPlan基准上的实验表明，DiffuSearch通过减少碰撞和提高舒适度，显著提高了性能，尤其是在复杂场景下。
-
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。
-
最新研究推动人工智能和自动驾驶的3D场景生成
两篇最新的arXiv论文探讨了3D场景生成领域的进展，该领域对于自动驾驶和虚拟现实等应用至关重要。第一篇论文是一篇综述，将当前方法分为程序化生成、基于神经3D的生成、基于图像的生成和基于视频的生成，并强调了挑战和未来方向。第二篇论文介绍了OMEGA，一个使用优化引导扩散来增强场景生成的可控性和真实感的框架，特别是在创建安全关键型驾驶场景方面。
-
新的RAPiD框架蒸馏扩散规划器以实现更快的自动驾驶
研究人员开发了RAPiD，一个旨在将基于扩散的轨迹规划器蒸馏成更快的、几步即可完成的模型，以实现实时自动驾驶的新框架。该方法使用基于奖励的一致性蒸馏来保持多模态行为，同时显著降低延迟。RAPiD框架结合了具有隐式Q学习评论家的安全感知训练，并在nuPlan和interPlan等基准测试中展示了具有竞争力的性能，推理时间加速了5.5倍。
-
新的扩散式规划器可根据用户意图调整驾驶
研究人员开发了一种新颖的多头扩散式规划器 M-Diffusion Planner，该规划器由强化学习指导，以创建个性化的驾驶轨迹。该框架集成了基于 LLM 的语义理解，以动态感知用户意图并生成符合偏好的多样化路径。该系统采用了包括模仿学习和约束性组相对策略优化 (GRPO) 在内的两阶段范式进行训练，以确保安全性和用户偏好的一致性。在 nuPlan 基准测试上的实验表明，该系统具有竞争力、实时规划能力和有效适应用户意图的能力。
-
新数据集整合5个来源，用于增强自动驾驶交互分析
研究人员推出了交互式增强驾驶数据集（IEDD），这是一个旨在改进自动驾驶系统的大规模数据集。IEDD整合了来自五个现有自然轨迹数据集的数据，包括Lyft Level 5和Waymo，以捕捉数百万个密集的交互片段。该数据集具有详细的注释，如交互指标、重建的鸟瞰视频以及多轮问答对，支持面向Vision-Language-Action模型的先进分析和训练。
-
LIDAR-AD：新的自动驾驶模型提高了风险感知决策能力
研究人员开发了LIDAR-AD，这是一种新颖的无解码器潜在交互梦想家，专为自动驾驶设计。该系统旨在通过关注风险相关关系和连续动作调整来改善复杂交通环境中的决策能力。LIDAR-AD通过减少观测冗余、将车辆控制建模为残差动作更新以及采用对比学习进行多步预测来实现这一点。实验表明，LIDAR-AD在模拟驾驶场景中的表现优于现有的世界模型基线，并能迁移到真实交通布局。
-
LIDAR-AD系统通过潜在交互梦想家增强自动驾驶能力
研究人员开发了LIDAR-AD，这是一种新颖的、用于自动驾驶的无解码器潜在交互梦想家。该系统通过在紧凑的潜在空间中使用潜在世界模型，解决了动态交通中长时域决策的挑战。LIDAR-AD通过关注冗余减少的潜在对齐，并将车辆控制建模为残差动作更新，从而在现有方法的基础上进行了改进，实现了更好的风险感知状态抽象和连续控制建模。实验表明，LIDAR-AD在模拟场景中的表现优于其他世界模型基线，并能迁移到真实交通布局。
-
训练数据的地理多样性可提升AI驾驶模型泛化能力
研究人员发现，在用于自动驾驶的自监督潜在世界模型中，训练数据的地理多样性比数据量本身对提高其跨域泛化能力更为关键。一项研究使用来自匹兹堡、波士顿和新加坡的数据训练JEPA模型，结果显示，与仅使用单一地区等量数据训练的模型相比，该模型在迈阿密和奥斯汀的未见场景中表现出显著更好的性能。即使使用单一地理区域的更大数据集进行训练，其泛化能力也无法与地理上多样化的较小数据集相媲美，这凸显了不同环境对模型鲁棒性性能的重要性。
-
新的CCFM框架通过可控碰撞生成增强自动驾驶汽车安全测试
研究人员开发了一个名为碰撞约束流匹配（CCFM）的新框架，用于为自动驾驶汽车（AV）测试生成可控的安全关键场景。CCFM利用启发式碰撞选择器、针对特定碰撞类型的结构化硬约束以及具有流形投影的流匹配采样器，以确保对碰撞的精确控制。该方法显著提高了模拟中的碰撞率，在nuPlan数据集上达到了83.1%，并为AV安全评估和模拟到现实的碰撞数据生成提供了可靠的基础。
-
新研究利用先进的模拟器和基准来解决自动驾驶安全问题
研究人员正在开发新的方法和基准来提高自动驾驶系统的安全性和鲁棒性。其中一种方法 MultiSim 使用模拟器集成来识别在不同模拟环境中都一致的导致故障的场景，其表现优于单一模拟器测试。另一项开发 Shift & Drift 是一个基准，旨在测试运动规划器在语义偏移和执行扰动下的表现，揭示了模仿保真度和韧性之间的权衡。此外，WCog-VLA 是一个结合了世界认知和生成模型以实现主动自动驾驶的新颖框架，而 CARLA-GS 通过解耦表示、…
-
新的生成式AI框架统一了机器人运动规划
研究人员开发了一种新颖的生成框架，将深度学习与基于模型的机器人规划相结合。该方法利用高度压缩的自动编码器学习离散令牌的潜在空间，从而直接在该压缩表示中进行运动规划。该方法允许在测试时优化任意目标函数，通过利用自动编码器的生成能力来保持效率并生成逼真的解决方案。在nuPlan和Waymo Open Motion Dataset上的评估表明，该方法在引导行为生成、闭环运动规划和多智能体场景合成方面非常有效，无需进行特定任务的训练。
-
AI模型无需标签即可检测驾驶场景复杂度
研究人员开发了一种新颖的方法，可以在无需任何标签数据的情况下检测复杂且具有安全关键性的驾驶场景。通过在结构化代理状态数据上训练联合嵌入预测架构（JEPA），该模型利用其时间预测误差作为零样本复杂度得分。该方法成功地将涉及无保护转弯、行人近距离接触和人行横道交互的场景识别为更复杂，而将车道保持和静止交通评定为不那么复杂。研究结果通过消融实验和下游异常检测任务得到了验证，证明了自监督潜在世界模型在评估驾驶场景复杂度方面的实用性。
-
新的 R2LPL 框架使自动驾驶策略能够从错误中学习
研究人员引入了一个名为滚动检索终身策略学习 (R$^2$LPL) 的新框架，旨在使自动驾驶策略能够通过从自身错误中学习来持续改进。该方法解决了闭环场景中的失败会突出策略弱点，但不会明确定义纠正措施的挑战。R$^2$LPL 过滤可恢复的与错误相关的状态并检索可行的纠正目标，将稀疏的失败证据转化为监督知识，以实现稳定高效的策略增强。在 nuPlan 基准测试上的评估表明，R$^2$LPL 在仅几个学习周期后，显著提升了初始策略的性能至最先…
-
新框架使用大语言模型实现更安全的自动驾驶轨迹
研究人员开发了Plan-R1，一种利用大语言模型进行自动驾驶轨迹规划的新型两阶段框架。该方法首先在专家数据上预训练一个通用轨迹预测器以学习类人行为，然后使用基于规则的奖励进行微调，以确保安全性和合规性。一项关键创新是方差解耦GRPO（Variance-Decoupled GRPO），它解决了现有优化方法的局限性，确保在训练过程中优先考虑安全关键目标。在nuPlan基准上的实验表明，Plan-R1在现实的反应式场景中取得了最先进的性能。
-
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。