arXiv cs.AI· Xiao Ma, Yijun Chen, Zhiquan Hu, Jicheng Zhao, Yuming Li, Chuang Dai·· 1 天前AI 评分31
CARE-Drive：面向自车轨迹的耦合交替精修方法
CARE-Drive: Coupled Alternating Refinement for Ego-trajectories
AI 导读
CARE-Drive 将轨迹精修拆解为路点残差修正与位置条件化的航向生成，由位置专家和航向专家在冻结骨干网络下交替优化。在 NAVSIM v1 上，该方法取得 88.8 PDMS，比同一骨干网络未精修的基础轨迹提升 2.4 分。消融实验进一步验证了专用专家与分阶段训练的有效性。
正文 · AI 翻译
摘要：视觉-语言-动作（VLA）模型为端到端自动驾驶带来了多模态理解与世界知识。为进一步提升预测轨迹的质量，现有研究引入了候选轨迹细化、残差去噪和 token 校正。然而，这些方法通常侧重于对整条轨迹进行统一细化，对不同的物理量及其相互作用的关注有限。我们进一步研究了轨迹细化中的物理专门化与协同，聚焦于位置和航向，以实现更简单、更直观的校正建模。为此，我们提出 CARE-Drive（自车轨迹耦合交替细化），将轨迹细化分解为路点残差校正和位置条件化的航向生成。通过模仿学习和未来 token 辅助任务，主干网络提供预测表示和基础轨迹。位置专家预测有界的度量路点残差，而航向专家则以校正后的路径为条件，从相邻角度增量重建车辆朝向。在主干网络冻结的情况下，两个专家通过监督初始化和强化微调交替优化。这一设计通过清晰的物理专门化简化了细化过程，同时在预测和优化过程中保持了条件耦合。在 NAVSIM v1 上，CARE-Drive 达到 88.8 PDMS，相比同一主干网络生成的未细化基础轨迹提升了 2.4 分。消融研究进一步支持了专门化专家和分阶段训练的有效性。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.15360 [cs.CV] |
| （或 arXiv:2611.15360v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.15360 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xiao Ma [查看邮箱]
[v1]
2026年11月11日星期三 11:39:00 UTC（13,232 KB）
来源：arXiv cs.AI · arxiv.org