arXiv cs.AI· Ahmed Abouelazm, Rupert Polley, Qingyuan Zhang, Yin Wu, Philip Sch\"orner, Carl Esselborn, J. Marius Z\"ollner·· 10 天前AI 评分18
超越路点回归：面向端到端驾驶的可达自车未来查询式代价学习
Beyond Waypoint Regression: Query-Based Cost Learning over Reachable Ego Futures for End-to-End Driving
AI 导读
研究提出一种查询式代价学习框架，为动态可达的自车轨迹查询估计有界代价，而非依赖密集 BEV 栅格或少量回归轨迹。在 nuScenes 上，该方法碰撞率优于 ST-P3、NMP 及多数回归基线，L2 保持竞争力；在真实驾驶日志上无需微调即降低碰撞率，优于 SparseDrive 和 Alpamayo，并保留多样化候选轨迹。该工作已被 ACCV 2026 接收。
正文 · AI 翻译
摘要：基于路点回归的端到端规划器实现了强大的开环精度，但它们主要学习模仿专家几何轨迹，仍难以适应部署时的安全约束。我们提出了一种基于查询的成本学习框架，该框架为动态可达的自车轨迹查询估计有界成本，而非针对密集 BEV 单元或小型回归轨迹集。紧凑的联合场景 token 捕捉连贯的多模态智能体未来，而应急感知的成本聚合与成本引导的簇内 MPPI 混合将学习到的成本拓扑转化为可行的自车规划。在 nuScenes 上，我们的方法优于 ST-P3 和 NMP 等先前的成本估计规划器，在碰撞率上超越大多数回归基线，同时在 L2 上保持竞争力，并保留了可解释的成本接口。在真实驾驶日志上，所提出的规划器在无需微调的情况下，相比 SparseDrive 和 Alpamayo 降低了碰撞率，同时保持了多样化的候选轨迹。
| Comments: | 被第 18 届亚洲计算机视觉会议（ACCV 2026）接收 |
| Subjects: | 机器人学（cs.RO）；人工智能（cs.AI）；机器学习（cs.LG）；系统与控制（eess.SY） |
| 引用为： | arXiv:2610.08123 [cs.RO] |
| （或 arXiv:2610.08123v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.08123 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Ahmed Abouelazm [查看电子邮件]
[v1]
2026 年 10 月 6 日星期二 10:43:13 UTC（27,436 KB）
来源：arXiv cs.AI · arxiv.org