WOD-E2E
PulseAugur coverage of WOD-E2E — every cluster mentioning WOD-E2E across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
SUV框架使用视频生成来实现端到端的驾驶场景理解
研究人员推出了一种新颖的端到端驾驶框架SUV，该框架将未来场景理解视为一项视频生成任务。该方法利用预训练的视频基础模型，将未来外观、语义、深度和实例级动态预测为视频流。然后，一个动作专家通过关注这些预测的未来流来生成自我轨迹。SUV在NAVSIM-v2和WOD-E2E等基准测试中表现强劲，仅使用一个前置摄像头就超越了多种最先进的方法。
-
新管线FluidTest增强自动驾驶安全评估
研究人员开发了FluidTest，这是一个新颖的评估管线，旨在解决当前自动驾驶评估方法在长尾场景下的局限性。该管线集成了人工标注的WebUI协议、32种语义威胁的分类以及一个三主体验证系统，以确保安全性、对齐性和可验证性。在WOD-E2E数据集上的实验表明，即使传统的Rater Feedback Scores和Average Displacement Error等指标看起来令人满意，FluidTest也能识别出最先进规划器中与安全相关的重大故障。
-
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…