arXiv · cs.AI· Ahmed Abouelazm, Rupert Polley, Qingyuan Zhang, Yin Wu, Philip Sch\"orner, Carl Esselborn, J. Marius Z\"ollner·· 2 天前
端到端驾驶中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
arXiv:2610.08123v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Ahmed Abouelazm, Rupert Polley, Qingyuan Zhang, Yin Wu, Philip Sch\"orner, Carl Esselborn, J. Marius Z\"ollner
研究任务与主要进展
研究者提出一种面向端到端自动驾驶的查询式代价学习框架，通过紧凑的场景联合令牌、应急感知代价聚合和代价引导的簇内 MPPI 混合，为动态可达的自车轨迹生成候选计划。基于论文摘要，该方法在 nuScenes 上相较 ST-P3、NMP 等代价估计规划器改善碰撞率并保持竞争力的 L2，在真实驾驶日志中无需微调即可较 SparseDrive 和 Alpamayo 降低碰撞率，同时保留多样候选轨迹。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org