WORLDTECH机器人 单一来源
基于无模仿速度评分的闭环感知规划：面向端到端自动驾驶
由 WORLDTECH 译自英文。事实、数字、名称和来源均与英文原文一致。 English
事件经过
arXiv:2610.36079v1 公告类型：新增。摘要：端到端自动驾驶的训练主要依赖开环模仿学习，这带来两个局限。在Bench2Drive-Speed上，CLAP-AD以82.53的速度遵循得分刷新了当前最佳纪录，比此前在该指标上最强的基线TFv6高出12.9分，同时保持了强劲的闭环驾驶性能。
arXiv机器人学（cs.RO）报道称，该研究提出了一种规划范式：通过模仿学习确定路径，同时由一个受物理安全约束监督的学习函数，从多个标准对一组候选速度进行评分。首先，专家示范在每个场景中只展示一种行为，因此模型无法学习其他有效行为，进而无法在测试时适应用户指定的偏好。
其次，示范中的噪声或模糊性会给端到端模型带来不一致、不可靠的监督信号。驾驶本质上是多模态的：同一场景下可能存在多种有效的应对行为，而这种多样性主要来自速度而非路径。
在Bench2Drive上，该方法的驾驶得分比UniAD和VAD分别提高了+28.5和+32.7；在基于真实道路驾驶数据的NAVSIM v2上，其EPDMS比其骨干模型提高了+6.1。项目页面：this https URL。备注：已被WACV 2027接收。本材料允许个人使用。