QualiDrive以质量而非仅靠去噪来组织驾驶轨迹

由 WORLDTECH 译自英文。事实、数字、名称和来源均与英文原文一致。 English

首次报道 10月20日 04:00 UTC来源：arXiv Robotics (cs.RO)最近编辑更新 10月20日 04:00 UTC发表评论 ↓

一篇发布在arXiv机器人学（cs.RO）板块的预印本提出了QualiDrive，这是一种面向端到端自动驾驶的基于扩散模型的规划器，它沿驾驶质量这一维度组织轨迹生成。该预印本报告称，其在NAVSIM v2基准上取得了当前最优（state-of-the-art）结果。

质量阶梯如何构建

据arXiv页面信息，当前用于自动驾驶的扩散规划器仅将驾驶效用作为辅助引导或筛选信号。QualiDrive则不同，它依据实测驾驶效用对观测到的轨迹进行排序，从而为每个场景构建专属的质量阶梯。

随后，模型被训练为从低质量到高质量逐级撤销这一有序退化过程。每一步逆向还原都会综合考虑场景、自车状态、当前轨迹以及目标质量等级，使轨迹在逐步细化中向更好的驾驶质量靠拢。

该预印本报告称，其在NAVSIM v1基准上达到94.5 PDMS，在v2上达到92.74 EPDMS，并将其表述为当前最优水平。

作者称，与仅对终点进行打分的监督方式相比，Oracle EPDMS的提升较为温和，从98.52升至98.57。候选轨迹的分布变化则更为明显：EPDMS高于0.95的比例由12.94%升至21.53%，高于0.98的比例由9.71%升至15.93%。所选轨迹的EPDMS则从92.63升至92.74。

基于这些结果，作者认为扩散过程不仅是去噪，还包括按质量排序的渐进式细化。这一解读出自作者本人，现有材料中尚未经过独立验证。

关键事实

一篇发布在arXiv机器人学（cs.RO）板块的预印本提出了QualiDrive。

QualiDrive通过按实测驾驶效用对观测到的轨迹排序，为每个场景构建专属的质量阶梯。

该方法经训练，可沿着由低到高的有序退化过程进行逆向还原。

每一步逆向还原都会综合考虑场景、自车状态、当前轨迹以及目标质量等级。

在NAVSIM上，QualiDrive在v1上达到94.5 PDMS，在v2上达到92.74 EPDMS，v2上为当前最优结果。