Closed-Loop Aware Planning via Imitation-Free Speed Scoring für End-to-End-Autonomes Fahren

Was passiert ist

arXiv:2610.36079v1 Announce Type: new Abstract: End-to-End-Autonomes Fahren hat sich bisher überwiegend auf Open-Loop-Imitationslernen für das Training gestützt, was zwei Einschränkungen mit sich bringt. Auf Bench2Drive-Speed setzt CLAP-AD mit einem Speed-Adherence Score von 82,53 einen neuen Stand der Technik und übertrifft TFv6, die stärkste Baseline bei dieser Metrik, um 12,9 Punkte, während es weiterhin starke Fahrleistungen im Closed-Loop erzielt.

arXiv Robotics (cs.RO) berichtet, dass die Arbeit ein Planungsparadigma vorstellt, das den Pfad durch Imitation lernt und dabei eine Menge von Kandidatengeschwindigkeiten anhand mehrerer Kriterien bewertet, mit einer gelernten Funktion, die durch physikalisch fundierte Sicherheitsbedingungen überwacht wird. Erstens zeigen Expertendemonstrationen pro Szenario nur ein einziges Verhalten, sodass das Modell keine alternativen gültigen Verhaltensweisen lernen und sich daher zur Testzeit nicht an nutzerdefinierte Präferenzen anpassen kann.

Zweitens können Rauschen oder Mehrdeutigkeiten in diesen Demonstrationen inkonsistente, unzuverlässige Überwachung für die End-to-End-Modelle erzeugen. Fahren ist von Natur aus multimodal: Mehrere unterschiedliche Verhaltensweisen können auf dieselbe Szene gültige Reaktionen sein, und diese Vielfalt entsteht vor allem durch die Geschwindigkeit und weniger durch den Pfad.

Auf Bench2Drive verbessert es den Driving Score um +28,5 bzw. +32,7 gegenüber UniAD und VAD, und auf NAVSIM v2, das auf realen Fahrdaten basiert, steigert es den EPDMS um +6,1 gegenüber seinem Backbone. Projektseite: this https URL Kommentare: Angenommen für WACV 2027. Die persönliche Nutzung dieses Materials ist erlaubt.