Waymo Open Motion Dataset
PulseAugur coverage of Waymo Open Motion Dataset — every cluster mentioning Waymo Open Motion Dataset across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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。
-
新的扩散模型可为自动驾驶模拟生成可控交通场景
研究人员开发了一种新的基于扩散的框架，用于为闭环模拟生成逼真且可控的交通场景。该方法解决了先前扩散模型的计算成本问题，而计算成本可能会阻碍自动驾驶汽车规划的实时应用。通过使用紧凑的动作潜在表示和提议初始化，新框架提高了采样效率并减少了运行时长，而无需重新训练。在 Waymo Open Motion Dataset 上的实验表明，它在真实性、安全性和可控性之间取得了良好的平衡，并且测试时引导允许在相互竞争的目标之间进行权衡。
-
研究发现：奖励设计塑造自动驾驶AI的注意力
研究人员开发了一种方法来分析奖励函数如何影响自动驾驶代理的注意力机制。通过训练三个具有相同架构但奖励配置不同的基于Perceiver的代理，他们观察到代理的注意力分配直接与奖励内容相关。具体来说，因导航而获得奖励的代理比那些有接近度惩罚的代理更优先关注GPS路径标记，而连续的碰撞时间惩罚则在代理的监控行为中诱导了“学习到的警惕先验”。研究表明，注意力分析是验证安全关键型强化学习系统中奖励函数的预期表征行为的一种实用工具。
-
新的COTTA策略提升了自动驾驶轨迹预测能力
研究人员开发了一种名为COTTA的新迁移学习策略，以改进自动驾驶在不同地理区域的轨迹预测模型。当将在美国数据上训练的模型迁移到韩国道路环境时，COTTA展示了显著的性能提升。具体而言，仅微调解码器而保持编码器冻结，与从头开始训练相比，预测误差降低了66%以上，为在全球范围内部署这些安全关键型系统提供了一种实用的方法。
-
RECTOR系统通过基于规则的重排提升自动驾驶安全性
研究人员开发了RECTOR，一个新颖的重排系统，旨在提高自动驾驶轨迹选择的安全性和合规性。该系统优先考虑安全、法律合规和舒适性规则，而非简单的模型置信度分数。通过采用分层规则手册和可微分代理机制，RECTOR在对抗性条件下，与仅基于置信度的方法相比，显著减少了违规行为。
-
新基准和模型提升了自动驾驶的视觉语言模型能力
研究人员正在开发新的基准和模型，以提高视觉语言模型（VLMs）在自动驾驶中的能力。Drive-P2D 和 DriveSpatial 是新的基准，分别用于评估 VLM 在渐进式感知到决策任务和时空推理方面的能力，突显了当前场景构建和推理的局限性。同时，Fast-dDrive、SparseWorld 和 SpaceDrive 提出了新颖的 VLM 架构和方法，例如块扩散和空间感知注入，通过更好地平衡感知、规划和实时部署需求，来提高自动驾驶…
-
RLFTSim 通过强化学习提升交通仿真真实感
研究人员开发了 RLFTSim，一个用于创建更真实、更可控的多智能体交通仿真的新框架。该系统利用强化学习对现有仿真模型进行微调，使其输出与真实世界驾驶数据分布保持一致。在 Waymo Open Motion Dataset 上的实验表明，RLFTSim 实现了最先进的真实感，并且由于其奖励设计，所需的样本数量少于其他方法。