DAP：面向自动驾驶的离散标记自回归规划器
人工智能
2026-03-06 v2 计算机视觉与模式识别
摘要
在自动驾驶领域，随数据和模型预算的规模化提升仍是一个关键且尚未解决的挑战。虽然自回归模型在规划任务中表现出良好的数据规模化效率，但仅预测 ego 轨迹会导致稀疏监督，且难以约束场景演化如何塑造 ego 动作。因此，我们引入 DAP，一种离散标记自回归规划器，联合预测 BEV 语义和 ego 轨迹，从而实现全面表征学习，并使预测动力学直接约束 ego 动作。此外，我们采用基于强化学习的微调，既保留监督行为克隆先验，又注入奖励导向的改进。尽管仅使用 1600 万参数预算，DAP 在开放式指标上实现了最先进性能，并在 NAVSIM 挑战赛中提供了具竞争力的闭环结果。总体而言，完全离散标记的自回归表述作用于栅格化 BEV 和 ego 动作，提供了一个紧凑且可扩展的自动驾驶规划范式。
引用
@article{arxiv.2511.13306,
title = {DAP: A Discrete-token Autoregressive Planner for Autonomous Driving},
author = {Bowen Ye and Bin Zhang and Hang Zhao},
journal= {arXiv preprint arXiv:2511.13306},
year = {2026}
}