CBDES MoE：自动驾驶功能模块的分层解耦混合专家
计算机视觉与模式识别
2025-08-12 v1
摘要
基于多传感器特征融合的鸟瞰图（BEV）感知系统已成为端到端自动驾驶的基本基石。然而，现有的多模态BEV方法通常存在输入适应性有限、建模能力受限和泛化性能欠佳的问题。为应对这些挑战，我们提出了一种在功能模块级别上的分层解耦混合专家架构，称为计算大脑发育系统混合专家（CBDES MoE）。CBDES MoE集成了多个结构异构的专家网络与轻量级自注意力路由器（SAR）门控机制，实现了动态专家路径选择和稀疏的、输入感知的高效推理。据我们所知，这是自动驾驶领域中首个在功能模块粒度上构建的模块化混合专家框架。在真实世界nuScenes数据集上的广泛评估表明，CBDES MoE在3D目标检测方面始终优于固定的单专家基线。与最强的单专家模型相比，CBDES MoE在mAP上提高了1.6个百分点，在NDS上提高了4.1个百分点，证明了所提出方法的有效性和实际优势。
引用
@article{arxiv.2508.07838,
title = {CBDES MoE: Hierarchically Decoupled Mixture-of-Experts for Functional Modules in Autonomous Driving},
author = {Qi Xiang and Kunsong Shi and Zhigui Lin and Lei He},
journal= {arXiv preprint arXiv:2508.07838},
year = {2025}
}