nuPlan
PulseAugur coverage of nuPlan — every cluster mentioning nuPlan across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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。
-
ARETE论文详述使用车队数据生成高清地图的新方法
研究人员开发了ARETE，一种使用众包车辆数据生成自动驾驶高清（HD）地图的新方法。该方法采用检测Transformer（DETR）模型，从栅格化的车辆轨迹预测矢量化车道表示，包括中心线和车道分隔线。该技术聚合局部轨迹数据，将其转换为编码存在和方向的栅格化格式，然后预测几何约束车道。实验在内部数据集和nuScenes、nuPlan等公开基准上进行。
-
MISTY运动规划器通过单步推理实现最先进的自动驾驶
研究人员开发了MISTY，一种专为自动驾驶设计的新型生成式运动规划器，它通过单步推理实现了高吞吐量。与需要迭代评估的现有基于扩散的规划器不同，MISTY利用矢量化编码器、变分自编码器和MLP-Mixer解码器来高效处理环境上下文和专家轨迹。这种方法能够合成主动机动，并在nuPlan基准测试中展示了最先进的性能，运行速度超过99 FPS，端到端延迟低。