AlignDrive：面向端到端自动驾驶的对齐横向-纵向规划
机器人学
2026-05-12 v2 计算机视觉与模式识别
摘要
实际的自动驾驶需要能够通过推理空间-时间可能性来排除不安全结果的模型。虽然最先进（SOTA）方法使用并行规划架构，但它们未能显式地将速度决策与沿驾驶路径的行为相耦合，导致协调性不足。为此，我们提出一种级联框架，将纵向规划从独立的预测任务转化为基于路径的推理过程。在模型层面，我们引入基于锚点的回归设计，将纵向预测条件化于横向驾驶路径，并将纵向规划重新表述为沿路径的 1 维位移预测。这减少了几何不确定性，使模型更专注于受交互驱动的动态。在数据层面，我们引入一种以规划为导向的数据增强策略，通过程序化插入代理并重新标注纵向目标来模拟罕见的安全关键事件，从而强制执行碰撞规避。在挑战性的 Bench2Drive 数据集上评估，我们的方法实现了 SOTA 性能，驾驶得分达 89.07，成功率为 73.18%，显著提高了协调性和安全性。在 Fail2Drive 上的进一步评估确认了对罕见边缘情况的强大泛化能力，这些情况在并行公式中通常会失败。项目页面：https://yanhaowu.github.io/AlignDrive/。
引用
@article{arxiv.2601.01762,
title = {AlignDrive: Aligned Lateral-Longitudinal Planning for End-to-End Autonomous Driving},
author = {Yanhao Wu and Haoyang Zhang and Fei He and Rui Wu and Yanhu Shan and Congpei Qiu and Liang Gao and Wei Ke and Tong Zhang},
journal= {arXiv preprint arXiv:2601.01762},
year = {2026}
}
备注
underreview