arXiv cs.AI@Sining Ang, Yuguang Yang, Canyu Chen, Yan Wang
精选67
推荐理由：CLOVER 解决了自动驾驶规划中训练与评估不匹配的核心痛点，做端到端规划的研究者和工程师可以直接参考其生成器-评分器框架和闭环自蒸馏方法，有望提升实际部署中的规划鲁棒性。
全部 AI 动态
AI 相关资讯全量信息流
5月15日
11:04
端到端自动驾驶规划器通常通过模仿单一记录轨迹来训练，但评估时却使用基于规则的规划指标（如安全性、可行性、进度和舒适度），导致训练与评估不匹配。CLOVER 提出了一种闭环价值估计与排序框架，采用轻量级生成器-评分器结构：生成器产生多样候选轨迹，评分器预测规划指标子分数进行排序。通过构建评估器过滤的伪专家轨迹和集合级覆盖监督，CLOVER 扩展了候选支持；并采用保守闭环自蒸馏优化生成器和评分器。在NAVSIM上，CLOVER 达到94.5 PDMS和90.4 EPDMS，创下新SOTA；在更具挑战的NavHard上获得48.3 EPDMS，匹配最强结果。