跳到正文
arXiv cs.AI· Qifeng Xie, Kai-Yuan Feng, Wenkang Wan, Yue Wu, Maoguo Gong, Kai Sheng·· 4 小时前AI 评分29

FIRE-Drive:面向端到端扩散规划的风险评估框架

FIRE-Drive: Feasibility-Informed Risk Evaluation for End-to-End Diffusion Planning

AI 导读

FIRE-Drive 是一个面向端到端自动驾驶的可行性感知风险评估框架,通过动态可行锚点初始化、候选专属鸟瞰图风险证据和紧凑高质量候选监督改进扩散规划。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:基于扩散的端到端自动驾驶模型在生成多模态规划轨迹方面展现出强大潜力。然而,其性能仍严重依赖轨迹初始化、模式评估与监督质量。弱约束的噪声初始化可能引入不可行的候选轨迹,并加重去噪负担。此外,当候选轨迹在几何上相似但在安全性、交互风险与进度上存在差异时,选择最优模式仍然具有挑战性。为解决这些问题,我们提出 FIRE-Drive,一种面向端到端自动驾驶的可行性感知风险评估框架。FIRE-Drive 通过动态可行锚点初始化、候选特定的鸟瞰图风险证据,以及带轻量级精炼的紧凑高质量候选监督来改进基于扩散的规划。该设计在统一的规划目标下,将轨迹模式的初始支撑、风险感知评分与多模态监督对齐。它使扩散解码器能够专注于精炼合理轨迹,同时让评分器利用局部风险证据区分模式。在 NAVSIM v1 上的实验表明,FIRE-Drive 在 ResNet34 骨干网络下取得 91.5 的 Predictive Driver Model Score。在 220 条 Bench2Drive 路线上的额外闭环评估取得 71.43 的 Driving Score 和 42.73% 的 Success Rate。组件消融实验以及在匹配候选输入下的评分器对比,支持了可行初始化、辅助监督与风险感知选择的贡献。我们的代码可在 this https URL 获取。
Comments: 12 页,8 幅图
Subjects: Robotics (cs.RO);Artificial Intelligence (cs.AI)
Cite as: arXiv:2611.22297 [cs.RO]
  (或 arXiv:2611.22297v1 [cs.RO] 查看此版本)
  https://doi.org/10.48550/arXiv.2611.22297

由 DataCite 颁发的 arXiv DOI(待注册)

Submission history

来自:Kaiyuan Feng [查看邮箱]
[v1] 2026 年 11 月 17 日星期二 06:54:08 UTC(17,278 KB)

来源:arXiv cs.AI · arxiv.org